目的:探讨不同辐射剂量下深度学习图像重建算法(DLIR)相对于常规迭代重建算法(ASIR-V)对腹部体模CT图像质量的改善价值。方法:根据管电压设置100 kV组与120 kV组，每组按照容积剂量指数(CTDI vol)不同(2、4、6、8、10、15 mGy)分为6组进行常规扫描，获得基于滤波反投影(FBP)算法的CT图像，并使用不同权重迭代重建算法(ASIR-V 50%、80%、100%)及不同等级深度学习重建算法(DLIR-L、DLIR-M、DLIR-H)进行图像重建，共获得84组图像。对比分析不同重建方式下各CTDI vol组图像各部位CT值、噪声、信噪比(SNR)、对比噪声比(CNR)及主观评分的变化规律。图像质量主观评分比较采用Kruskal-Wallis H检验，客观指标和辐射剂量比较采用单因素方差分析及配对样本 t检验。 结果:同一管电压下，各CTDI vol组不同重建条件下各部位的噪声、SNR、CNR差异均有统计学意义( F ＝415.39、315.30， P<0.001)，且ASIR-V 50%与DLIR-L图像的噪声、SNR、CNR差异无统计学意义( P>0.05)；主观评分之间差异均有统计学意义(100 kV组： H＝13.47， P＝0.036；120 kV组： H＝12.99， P＝0.043)，且两名医师的主观评分一致性较高(Kappa>0.70)，其中DLIR-H图像质量评分最高，DLIR-M与ASIR-V 50%图像质量主观评分基本一致；100 kV组图像质量主观评分整体较120 kV略高。以CTDI vol为15 mGy组ASIR-V 50%图像作为参照，在满足诊断需求的前提下，低中高等级的DLIR可以分别降低辐射剂量超过30%、70%、85%。 结论:DLIR算法不仅能够显著降低图像噪声、提高图像质量，而且可以在满足诊断需求的前提下有效降低辐射剂量；推荐临床应用100 kV结合中、高等级DLIR行腹部低剂量CT扫描。

目的:探讨CT重建算法、辐射剂量和对比剂3种参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。方法:前瞻性选取2018年于中国医学科学院肿瘤医院就诊的35例肺结节患者(50枚纯磨玻璃密度肺结节)，对同一患者肺结节的原始图像重建后共获得6种不同参数的序列，使用ITK－SNAP软件分别对不同序列的纯磨玻璃密度肺结节进行分割，将所有扫描数据通过美国GE公司的A.K.软件进行肺结节影像组学特征提取，通过组内相关系数选取复测信度好的影像组学特征，使用R语言统计学软件对特征参数进行分析，将不同序列的所有特征值配对比较，分别统计改变采集和重建参数导致变化的影像组学特征的数量，比较不同采集和重建参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。采用配对样本 t检验或Wilcoxon检验比较不同序列特征值分布的差异，采用 χ2检验比较改变不同参数后发生变化的影像组学特征数量的差异。 结果:50枚纯磨玻璃密度肺结节共提取391个影像组学特征，组内相关系数>0.75的特征为320个。同时改变CT重建算法、辐射剂量和对比剂3种参数时，发生变化的纯磨玻璃密度肺结节影像组学特征达到60.9%(195/320)，其中包括6.7%(1/15)的形态学特征、100.0%(40/40)的直方图特征和58.1%(154/265)的纹理特征。仅改变1种参数(保持其他2种参数不变)的情况下，分别改变CT重建算法、辐射剂量和对比剂，发生变化的纯磨玻璃密度肺结节影像组学特征分别为10.6%(34/320)、30.9%(99/320)和50.6%(162/320)，差异有统计学意义(均 P<0.05)。当辐射剂量和对比剂改变时，与50%自适应迭代重建技术(ASiR－V)比较，滤波反投影(FBP)重建算法获得的影像组学特征发生变化更小( P＝0.001)。 结论:CT重建算法、辐射剂量和对比剂会影响纯磨玻璃密度肺结节的影像组学特征，其中对比剂对纯磨玻璃密度肺结节影像组学特征的影响最大，辐射剂量次之，CT重建算法最小；与形态学特征比较，直方图特征和纹理特征容易受到CT重建算法、辐射剂量和对比剂的影响；与50% ASiR－V比较，FBP重建算法获得的影像组学特征受辐射剂量与对比剂的影响更小，在影像组学分析中应充分考虑到这些参数的影响。

目的:探讨基于深度学习的快速磁敏感加权成像（SWI）评估急性缺血性卒中（AIS）的价值。方法:回顾性分析2019年1月至2021年1月在解放军总医院第一医学中心接受MR检查并行SWI序列扫描且发病24 h内的AIS患者118例，其中男75例、女43例，年龄23~100（66±14）岁。采用MATLAB的randperm函数将118例患者以8∶2的比例分为训练集96例，测试集22例。另外收集MR-STARS研究招募的同一中心的47例AIS患者作为外部验证集，其中男38例、女9例，年龄16~75（58±12）岁。将SWI图像和滤波相位图像合并为复值图像作为全采样参考图像。对全采样参考图像进行回顾性欠采样以模拟实际欠采样过程，获得欠采样SWI图像，欠采样倍数为5倍，可节省80%的扫描时间；然后基于复值卷积神经网络（ComplexNet）的深度学习模型重建快速SWI数据。采用组内相关系数（ICC）或Kappa检验比较全采样SWI和基于ComplexNet的快速SWI的图像质量评分一致性及检出AIS患者磁敏感血栓征（SVS）、微出血、深部髓质静脉（DMVs）不对称的一致性。结果:测试集中全采样SWI图像质量的评分为（4.5±0.6）分，基于ComplexNet的快速SWI图像质量评分为（4.6±0.7），两者一致性较好（ICC=0.86， P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.79， P<0.05）、微出血（Kappa=0.86， P<0.05）、DMVs不对称（Kappa=0.82， P<0.05）一致性较好。外部验证集中，全采样SWI图像质量的评分为（4.1±1.0）分，基于ComplexNet的快速SWI图像质量的评分为（4.0±0.9）分，两者一致性较好（ICC=0.97， P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.74， P<0.05）、微出血（Kappa=0.83， P<0.05）和DMVs不对称（Kappa=0.74， P<0.05）的一致性较好。 结论:深度学习技术可显著加快SWI速度，且基于ComplexNet的快速SWI与全采样SWI的图像质量及检出AIS征象的一致性好，可应用于AIS患者的影像学评估。

目的:探讨相同辐射剂量时偏离等中心点对CT图像质量的影响。方法:采用160层CT扫描仪对体模在等中心点和偏离3、6、9、12和15 cm处进行扫描。管电压120 kVp，管电流400 mAs，层厚、层间距1 mm，采用滤波反投影重建算法重建。测量图像的噪声功率谱（NPS）、任务传递函数（TTF）和可检测性指数（d′），使用NPS峰值（NPS peak）量化噪声大小，50%的TTF处的频率（TTF 50%）量化空间分辨率。使用单因素方差分析比较NPS、TTF和d′值。 结果:随着偏离距离的增大，噪声量不断增加，NPS平均空间频率、空间分辨率和d′值逐渐降低。等中心点及偏离3、6、9、12、15 cm处的NPS peak分别为（94.31±1.48）、（104.25±1.46）、（131.44±1.96）、（171.86±1.91）、（224.05±1.37）、（286.51±2.09）HU 2·mm 2，差异具有统计学意义（ F=37 241.91， P<0.001）。2 mm低对比度病变d′值分别为3.51±0.06、3.31±0.04、3.01±0.04、2.59±0.06、2.21±0.03、1.88±0.03。高对比度空间分辨率降低更明显，各种类型病变的d′值降低程度类似。偏离等中心点9 cm时噪声增大约82%，高对比度空间分辨率降低约12%，d′值降低约26%（ P均<0.05）。偏离等中心点15 cm时噪声增大约204%，高对比度空间分辨率降低约27%，d′值降低约45%。 结论:随着偏离CT等中心点距离的增加，CT图像质量随之下降。偏移距离大于9 cm时图像质量受到严重损害。

目的:评估低电压、等渗低浓度和低容量碘对比剂检查方案用于慢性肾病患者冠状动脉CT成像的可行性。方法:前瞻性选取2016年7月至2018年1月南京医科大学附属常州二院共36例临床怀疑冠状动脉疾病而准备行冠状动脉成像(CTA)检查的慢性肾病患者，采用随机数表法分为对照组和观察组。对照组13例，使用常规管电压120 kV，步进-发射(step-and-shot, SAS)扫描方案，注射高浓度碘对比剂(碘普罗胺，370 mgI/ml)，63～85 ml，采用传统滤波反投影法(FBP)重建。观察组23例，使用低电压SAS扫描方案，依据体质量指数(BMI)选择不同的管电压，即管电压100 kV(BMI≥25 kg/m 2)或80 kV(BMI<25 kg/m 2)，等渗低浓度碘对比剂(碘克沙醇，270 mg I/ml)，低容量注射45 ml，采用迭代重建算法。两组患者扫描时均开启自动管电流调制(4D CareDose)。两组的冠状动脉图像质量分别采用主观和客观法评价；辐射剂量以剂量长度乘积(DLP)与胸部系数 k的乘积为依据计算；两组摄入的总碘量以碘浓度与注射容量的乘积计算；肾功能变化以检查前和检查后第3天的血清肌酐清除率下降百分比计算。 结果:32例患者顺利完成冠状动脉CT检查，对照组和观察组的冠状动脉图像质量主观评分为(3.789±0.598)和(3.708±0.717)分，差异无统计学意义( P>0.05)；对照组和观察组左前降支(LAD)、右冠状动脉(RCA)和回旋支(LCX)平均信噪比分别为(12.88±4.53)和(13.67±2.08)、(11.9±5.0)和(12.6±5.1)、(12.78±3.15)和(13.22±3.10)，两组比较差异均无统计学意义( P> 0.05)；平均对比噪声比分别为LAD(10.94±1.31)和(11.27±1.81)、RCA(10.38±1.90)和(11.01±2.26)、LCX(11.71±3.15)和(12.49±3.62)，两组比较差异亦均无统计学意义( P> 0.05)。平均辐射剂量观察组比对照组降低了61.75%，分别为(1.09±0.19)和(2.85±0.59)mSv，观察组两组指标比较差异有统计学意义( t＝20.260, P<0.05)。对照组与观察组的平均碘摄入量分别为(2.71±0.37)和(1.22±0.00)g，观察组降低了54.70%，两组比较差异有统计学意义( t＝18.162， P<0.05)。碘对比剂注射后72 h内血清肌酐清除率观察组比对照组有所下降分别为(11.89±4.98)%和(28.75±5.24)%，差异有统计学意义( χ2＝9.004， P<0.05)。 结论:"三低"扫描方案可降低患者总用碘量和辐射剂量，对肾功能影响小，图像质量可满足诊断，可用于慢性肾病患者的冠状动脉成像检查。

目的:探讨TrueFidelity深度学习重建算法在腹盆部CT血管成像（CTA）低剂量扫描时的应用价值。方法:前瞻性纳入2020年6月至2021年3月就诊于西安交通大学第一附属医院，临床申请行腹盆部CTA的患者。所有患者均行低剂量腹盆部CTA扫描，管电压为80 kV，管电流为智能管电流（100~720 mA），扫描完成后均使用传统滤波反投影（FBP）、自适应统计迭代重建算法（ASIR-V 50%）、TrueFidelity算法［降噪强度：中等强度（TF-M）和高强度（TF-H）］4种重建算法对图像进行重建。测量腹主动脉、同层腰大肌及皮下脂肪的CT值和CT值的标准差（SD），计算信噪比（SNR）和对比噪声比（CNR），另外测量腰大肌密度均匀区域的CT值偏度，同时使用5分法评价所有图像的颗粒度、模糊度及股骨头层面的硬化伪影。客观评价指标采用重复测量单因素方差分析进行检验。结果:共纳入46例患者。CT检查的辐射剂量为（1.09±0.31）mGy。4组重建图像血管和肌肉的CT值比较差异无统计学意义（ P>0.05），SD值比较差异有统计学意义（ P<0.001），FBP组的SD值最大，TF-H组的SD值最小。SNR和CNR比较差异有统计学意义（ P<0.001），整体趋势与SD值趋势相反。偏度值比较4组差异无统计学意义。颗粒度评分FBP组评分最高，TF-H组评分最低，4组间差异有统计学意义。模糊度评分TF-H组评分稍高于其余3组，但差异无统计学意义。硬化伪影评分FBP和ASIR-V 50%组评分最差，TF-H最好（ P<0.001）。 结论:综合考虑图像噪声、模糊度、均匀度和硬化伪影的表现，在腹盆部CTA低剂量扫描时，相比于FBP和ASIR-V，TrueFidelity重建算法可以提供更优的图像质量，其中TF-H的图像质量最佳。

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。

目的:探讨KARL迭代算法联合低剂量CT扫描对中青年股骨颈骨折的应用价值。方法:回顾性收集2019年8月至2022年5月在台州市博爱医院经临床和CT确诊的132例中青年股骨颈骨折患者的病历资料，所有患者均采用联影uCT760 64排螺旋CT扫描，其中采用滤波反投影重建的常规剂量组68例，采用KARL迭代算法重建的低剂量组64例。比较两组图像质量主观评分、图像优良率和图像客观评价参数CT值、信噪比（SNR）。比较两组辐射剂量（ED）、容积CT剂量指数（CTDIvol）、剂量长度乘积（DLP）。结果:两组图像质量主观评分比较差异无统计学意义（ P>0.05）。两组图像优良率比较差异无统计学意义（ P>0.05）。两组股骨头中心层面骨小梁密集区、同一层面髂腰肌、同一层面腹前壁或臀部皮下脂肪CT值及SNR比较差异无统计学意义（ P>0.05）。低剂量组CTDIvol、DLP、ED水平低于常规剂量组[（3.35 ± 1.05） mGy比（12.90 ± 2.92） mGy、（66.33 ± 20.26） mGy/cm比（253.12 ± 58.57） mGy/cm、（0.99 ± 0.30） mSv比（3.79 ± 0.88） mSv]，差异有统计学意义（ P<0.05）。 结论:基于KARL迭代算法联合低剂量CT扫描对于中青年股骨颈骨折的临床诊断及分型无明显影响，扫描图像具有较高的客观评估价值，能有效降低患者所受辐射剂量。

目的:将深度学习重建算法与低剂量CT相结合，探究其对图像质量的影响及对骨密度测量的影响，及其在机会性骨质疏松筛查中的应用价值。方法:前瞻性收集同时接受胸上腹部联合低剂量扫描的患者119例(年龄≥40岁)。所有图像分别使用滤波反投影(FBP)算法、基于混合模型的自适应统计迭代重建(ASIR-V)50%和3个水平深度学习算法进行重建。使用非同步定量CT软件进行骨密度测量，比较不同重建条件下的骨密度(BMD)。分别计算降主动脉、肝脏、脾脏的信噪比(SNR)和对比噪声比(CNR)，将前腹壁脂肪的标准差代表图像的噪声，并使用5分制主观评价法，进行图像质量客观评价。比较不同重建方法下，不同部位的客观和主观图像质量。结果:在不同的重建方法下，BMD的差异无统计学意义( P>0.05)。高级别的深度学习重建算法(DLIR-H)较ASIR-V 50%在降主动脉、肝脏和脾脏的SNR分别提高了103.88%、125.09%、136.13%，图像噪声降低了55.98%，DLIR-H的CNR和主观评分(肺部病变显示能力除外)均优于DLIR-L和ASIR-V 50%( χ2＝158.31~275.35， P<0.001)。 结论:深度学习算法不影响骨密度测量的准确性，图像质量优于ASIR-V 50%。深度学习算法联合低剂量CT可用于机会性骨质疏松筛查。

目的:探讨 18F-脱氧葡萄糖(FDG) PET影像组学特征在非小细胞肺癌(NSCLC)病理分型之间的差异，提高鉴别病理分型的能力。 方法:回顾分析2018年1月至2019年12月于华中科技大学同济医学院附属同济医院行 18F-FDG PET/CT的182例NSCLC患者[男109例，女73例；年龄(59.0±8.3)岁]。所有患者均经病理证实为肺腺癌或肺鳞状细胞癌(简称鳞癌)。使用简单随机抽样法将患者分为训练集( n＝91)和验证集( n＝91)。使用Python平台从PET图像中提取1 132个影像组学特征。采用最大相关性最小冗余算法和最小绝对收缩和选择算子选择最优特征，并构建影像组学标签评分，使用Mann-Whitney U检验比较组间评分差异。用多因素logistic回归筛选病理亚型影响因素，基于临床变量和影像组学标签构建复合模型，并通过受试者工作特征(ROC)曲线评价模型预测能力，使用Delong检验模型曲线下面积(AUC)差异。 结果:4个影像组学特征[HHL_一阶最大值(first order_maximum)、LHL_一阶熵(first order_entropy)、HHH_灰度相关矩阵-大相关高灰度级强调(GLDM_LDHGLE)、HHL_ GLDM_ LDHGLE(H/L代表高或低通函数滤波处理)]被选择用于组学标签的构建。腺癌比鳞癌影像组学标签评分低[训练集：-1.30(-1.70, -1.04)与-0.60(-1.11, 0.20), z＝-4.61, P<0.001；验证集：-1.31(-1.66, -0.96)与-0.73(-1.02, -0.24), z＝-4.76, P<0.001]。影像组学标签评分AUC[训练集：0.815(95% CI：0.723～0.906)，验证集：0.813(95% CI：0.726～0.901)]高于临床变量AUC[吸烟史具有最优预测效能，训练集：0.721(95% CI：0.617～0.810)，验证集：0.726(95% CI：0.623～0.814)]，但差异无统计学意义( z值：1.319、1.324，均 P>0.05)。综合临床变量(吸烟史)和组学标签构建的复合模型对病理亚型具有良好的辨别能力[训练集AUC＝0.862(95% CI：0.785～0.940)、灵敏度88.00%(22/25)、特异性72.73%(48/66)；验证集AUC＝0.854(95% CI: 0.776～0.933)、灵敏度75.00%(21/28)、特异性84.13%(53/63)]，AUC高于临床变量( z值：3.257、3.872,均 P<0.01)。 结论:由吸烟史、 18F-FDG PET影像组学标签形成的临床模型可为术前个体化预测NSCLC亚型提供非侵袭性、可重复的方法。