目的:将深度学习图像重建（DLIR）算法与双能量CT（DECT）结合，评估胃癌低keV单能图像质量，并与常规自适应统计迭代重建（ASiR-V）算法图像进行比较。方法:该研究为横断面研究，前瞻性收集2022年9月至2023年3月郑州大学第一附属医院31例胃癌患者的DECT图像，基于动脉期和静脉期图像，使用DLIR算法分别在低、中、高强度水平下（DLIR-L、DLIR-M、DLIR-H）重建55 keV单能量图像，同时使用ASiR-V算法重建70 keV 40%混合系数（ASiR-V40%）图像。在图像客观评价中，分别在4组重建图像上计算病灶和肌肉的信噪比（SNR）、对比噪声比（CNR）。在图像的主观评价中，对各组重建图像的总体图像质量、病灶显示能力及诊断信心进行评分。4组间SNR和CNR的比较采用单因素重复测量方差分析或Friedman检验，评分的比较采用Friedman检验，用Bonferroni校正对事后两两比较进行调整。结果:在客观评价中，动脉期和静脉期55 keV DLIR-H图像上CNR 病灶、SNR 病灶以及SNR 肌肉最高，且在70 keV ASiR-V40%、55 keV DLIR-L、DLIR-M以及DLIR-H图像上呈逐渐升高的趋势（ P<0.05）。在主观评价中，与70 keV ASiR-V40%相比，55 keV DLIR-H的总体图像质量评分升高，但差异无统计学意义（ P>0.05），DLIR-M评分相似或略差，而DLIR-L图像质量评分下降（ P<0.05）。55 keV DLIR的各水平重建图像的病灶显示能力及诊断信心在动、静脉期均高于70 keV ASiR V40%图像（ P<0.05）。 结论:相比70 keV ASiR-V40%常规图像，55 keV DLIR-H图像具有更高的病灶对比度和诊断信心，且图像噪声更低。55 keV DLIR-M图像与70 keV ASiR-V40%的整体图像质量相当，但前者的病灶对比度和诊断信心更高。55 keV DLIR-L无法将图像质量提升至70 keV ASiR-V40%水平。

目的:评价深度学习重建（DLIR）算法结合低管电压技术相对于自适应统计迭代重建（ASiR-V）算法对腹部增强CT动脉晚期图像中微小动脉的显示情况。方法:前瞻性收集2021年12月至2022年1月就诊于北京大学人民医院需排查腹部疾病并接受腹盆腔增强CT扫描的患者。根据CT扫描不同管电压以简单随机法将患者分为80 kV低管电压（LV）组和120 kV高管电压（HV）组。根据不同重建算法，每组再进一步分为DLIR-H（D）和ASiR-V 50%（A）2个亚组。对患者进行CT增强扫描时均采用自动管电流调节技术，噪声指数统一设置为9。对重建层厚为0.625 mm的动脉晚期图像进行主观评价和客观指标评价，并记录动脉晚期扫描的辐射剂量。结果:共纳入168例患者，其中男76例，女92例，年龄18~85（53±15）岁，体质指数（24±3）kg/m 2；LV组91例、HV组77例。LV组主动脉和肝总动脉CT值明显高于HV组（ t=-14.20， P<0.001； t=-0.95， P<0.001）。管电压相同时，D亚组动脉晚期图像噪声明显低于A亚组，肝脏、主动脉、肝总动脉信噪比（SNR）和对比噪声比（CNR）均明显高于A亚组（ P均<0.001）。LV-D亚组中主动脉和肝总动脉SNR和CNR明显优于LV-A、HV-D、HV-A亚组（ P均<0.001）。腹部血管显示的主观评价方面，LV-D亚组肝总动脉、肠系膜下动脉、左结肠动脉升支边缘的空间分辨力以及左结肠动脉升支对比度均显著优于LV-A、HV-D、HV-A亚组（ P<0.05），脾区边缘动脉显示率（54.9%，50/91）显著优于HV-D（24.7%，19/77）和HV-A亚组（32.5%，25/77）（校正后 P<0.05）。LV组与HV组间有效辐射剂量分别为（4.91±1.97）、（5.43±1.78）mSv，差异无统计学意义（ P>0.05）。 结论:低管电压技术结合DLIR算法的腹部增强CT扫描能够有效提升肠系膜下动脉发出的左结肠动脉升支及脾区边缘动脉的显示水平，为类似微小血管的评估带来更多的可能性。

目的:探讨基于体模和动物模型的深度学习重建算法（TF-GSI）和自适应统计迭代重建算法（ASiR-V）对于能谱CT图像质量的影响。方法:使用GE Revolution Apex能谱CT对ACR 464体模和胃癌淋巴结转移小鼠模型（ n=16）进行扫描。分别在体模和小鼠的70 keV虚拟单能图像上重建TF-GSI和ASiR-V的中、高两档等级图像（TF-GSI-M、TF-GSI-H、ASiR-V50%和ASiR-V100%）。评价体模各组图像骨和丙烯酸的任务传递函数（TTF）、图像噪声功率谱（NPS）以及可检测能力指数（d′）。使用单因素方差分析对比小鼠图像噪声、脑组织和肝脏的信噪比（SNR）和对比噪声比（CNR）。2名医师（A和B）评价TF-GSI-H和ASiR-V100% 2种重建算法图像对微小病灶检出的一致性采用Kappa检验。 结果:体模方面，TF-GSI-H组图像在TTF、NPS和d′的表现均最佳：相较ASiR-V100%，TF-GSI-H组图像骨和丙烯酸的TTF 50%分别升高了2.4%和8.9%，TF-GSI-H组图像的NPS peak下降了54.1%，TF-GSI-H相对ASiR-V100%对骨和丙烯酸的检出能力分别提升了52.7%和59.5%。TF-GSI组相较ASiR-V组图像噪声降低，2种组织的SNR和CNR均升高，但各组图像间差异不具有统计学意义（ P>0.05）。2名医师对2种重建算法图像评价的一致性良好（A，Kappa=0.875， P<0.001；B，Kappa=0.625， P=0.012）。2种重建算法图像对小鼠微小转移灶的检出方面，TF-GSI组高于ASiR-V组（准确度分别为83.5%、71.9%；灵敏度分别为77.8%、61.2%；特异度分别为85.7%、85.7%）。 结论:TF-GSI相对ASiR-V可以提高能谱CT虚拟单能图像的空间分辨率，改善图像噪声并具有提高微小病灶检出的潜在价值。

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:探讨深度学习重建算法(DLIR)与自适应统计迭代重建算法(ASiR-V)在头颈部CT血管成像(CTA)中检查剂量和成像质量的差异。方法:前瞻性收集因头颈部血管疾病行头颈部CTA检查的患者80例。按照检查的先后顺序分为A组和B组，每组40例。A组采用管电压120 kV，噪声指数11.0，ASiR-V 50%重建；B组采用管电压80 kV，噪声指数9.0，分别采用ASiR-V 50%重建(B1组)和DLIR-H重建(B2组)。采用独立样本 t检验比较两组的辐射剂量和图像质量。采用Kruskal-wallis检验和Wilcoxon秩和检验用于比较两种成像方式的辐射剂量和主观、客观图像质量。比较组间强化血管CT值，感兴趣区(ROI)的信号与噪声，计算信噪比(SNR)和对比信噪比(CNR)。 结果:A、B两组有效辐射剂量分别为(0.77±0.08)、(0.45±0.05)mSv，差异有统计学意义( t＝21.96， P<0.001)。A、B1、B2 3组图像的主动脉弓、颈动脉起始部、颈动脉分叉层面、大脑中动脉M1段强化血管CT值、SD、SNR、CNR，差异均有统计学意义( F＝67.69、68.50、50.52、74.10、63.10、91.22、69.16， P<0.001)。A、B1、B2 3组图像质量主观评分差异有统计学意义( Z＝71.06， P<0.05)。 结论:DLIR算法能够在进一步降低头颈部CTA检查辐射剂量的同时，明显地减少图像噪声，保证了图像质量，具有良好的临床应用价值。

目的:探索能谱CT单能量联合多模型自适应统计迭代重建（ASIR-V）优化下腔静脉成像的最佳方案。方法:回顾性收集2021年8月至2022年4月于哈尔滨医科大学附属第二医院采用Revolution CT行下腔静脉CT静脉造影（CTV）检查的下腔静脉病变轻微或无病变患者的临床资料。将入选患者下腔静脉期图像重建为混合能量组图像及50、55、60、65、70 keV 5组单能量图像，测量5组单能量图像皮下脂肪噪声以及下腔静脉各段CT值、信噪比（SNR）、对比噪声比（CNR），并进行主观评分，以确定最佳单能量能级。然后，分别联合不同权重（20%、30%、40%、50%、60%、70%、80%）ASIR-V算法进行重建，对不同ASIR-V权重组及混合能量组图像进行客观评价指标及主观评分，以确定匹配最佳单能量能级的最佳ASIR-V权重。结果:共纳入患者30例，其中男性11例（36.7%），年龄（55.4±8.8）岁，体重指数为（23.2±2.8）kg/m2。各单能量组图像皮下脂肪噪声、下腔静脉各段客观评价指标差异均有统计学意义（均 P<0.05），各客观评价指标均随能级降低而升高，50 keV组获得最大值，2位医师对5组图像的主观评分一致性均为好（均 κ≥0.75），60 keV组的主观评分最高，综合分析以60 keV为最佳单能量能级。7组最佳单能量联合不同权重ASIR-V图像组的客观评价指标与混合能量组比较差异均有统计学意义（均 P<0.01），随着ASIR-V权重升高图像噪声降低（均 P<0.01），以80%ASIR-V权重组为最低；下腔静脉各段CT值差异无统计学意义（均 P>0.05）；下腔静脉各段SNR、CNR随着ASIR-V权重增加而升高（均 P<0.01），以80%ASIR-V权重组为最高。2位医师对8组图像的主观评分一致性均为好（均 κ≥0.75），60%ASIR-V权重组的主观评分最高，综合分析以60%为匹配60 keV的最佳ASIR-V权重。 结论:能谱CT单能量联合ASIR-V优化下腔静脉成像的最佳方案是60 keV能级匹配60%的ASIR-V权重。

目的:探讨深度学习图像重建（DLIR）在100 kV门静脉CT血管成像（CTPV）降低辐射剂量且提高图像质量的可行性，并与传统120 kV CTPV进行图像质量比较。方法:前瞻性纳入中山大学附属第三医院2021年6月至2022年12月行上腹部CTPV检查的患者，分为120 kV标准剂量组（S组）和100 kV低剂量组（L组）。S组采用自适应统计迭代-Veo算法（ASIR-V）及中等强度的DLIR（S-DM）进行重建，ASIR-V的权重分别采用40%、60%和80%（S-AV40、S-AV60和S-AV80）。L组采用60%和80% 2种权重的ASIR-V（L-AV60和L-AV80）和中、高强度的DLIR（L-DM和L-DH）进行重建。2名医师分别进行客观指标测量，包括门静脉主干（MPV）、门静脉右支（RPV）、门静脉左支（LPV）、肝实质和右侧竖脊肌的CT值和SD值，并且计算信噪比（SNR）和对比噪声比（CNR）。3名医师分别对8组图像进行5分盲法评价。记录两组容积CT剂量指数（CTDIvol）和剂量长度乘积（DLP），计算有效剂量（ED）。采用单因素方差分析对客观指标、Kruskal-Wallis H检验对主观评分进行统计分析。 结果:共纳入100例患者，标准剂量组（S组）和低剂量组（L组）各50例。L组的有效剂量比S组减少了51%。MPV、RPV、LPV的SD、SNR和CNR在8组图像之间差异有统计学意义（ P值均<0.001）。L-DH的SD与S-AV80组间差异无统计学意义（ P>0.05），但显著低于其余6组（ P值均<0.05）；除MPV的CNR在L-DH与S-AV80组之间差异无统计学意义（ P>0.05）外，3支门静脉的SNR和CNR在L-DH组均高于其他组，差异具有统计学意义（ P值均<0.001）。L-DH组的主观图像质量评分最高（4.61±0.16），除和S-DM组（4.31±0.19）外的其余6组差异均有统计学意义（ P值均<0.001）。医师间的客观指标测量和主观图像质量评分均具有良好的一致性（ ICC=0.584~0.960）。 结论:与常规120 kV CTPV相比，100 kV 结合DLIR算法可显著降低CTPV 51%的辐射剂量，并在降低噪声的同时保持更高的SNR、CNR和主观评分。高强度DLIR算法获得的100 kV CTPV图像质量最佳。

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:探讨深度学习图像重建（DLIR）算法在低kV逆血流扫描下肢动脉CT血管成像（CTA）中对图像质量的影响。方法:回顾性收集2021年1月至3月50例于福建医科大学附属协和医院因临床可疑下肢动脉疾病而行低kV逆血流扫描下肢动脉CTA患者的CT原始数据，分别使用具有3种混合权重的自适应统计迭代重建（ASIR-V）算法（ASIR-V 20%、ASIR-V 50%、ASIR-V 80%）、3种重建强度（高、中、低）的DLIR算法（DLIR-H、DLIR-M、DLIR-L）在0.625 mm上重建薄层轴面图像。在每组图像上测量近端腹主动脉、远端腹主动脉、左右髂总动脉、左右股动脉（上段）、左右股浅动脉（中段）、左右腘动脉的CT值、噪声（SD）值，并计算信噪比（SNR）和对比噪声比（CNR）。由两名医师采用4分法将下肢血管分成4个节段对图像的噪声和锐利度进行主观评价。统计学分析采用单因素方差分析评估图像质量主观评分及客观评价指标的差异。结果:随着ASIR-V重建权重的增加和DLIR重建强度的增加，各测量层面的SD值逐渐降低，SNR值和CNR值逐渐增高（ P均<0.05）。6种重建方式中，DLIR-H重建与ASIR-V80%重建具有较低的SD值及较高的SNR与CNR值（ P均<0.05）。与ASIR-V20%和ASIR-V50%相比，DLIR-H组具有更低的SD值，更高的SNR和CNR值（ P均<0.05）；但DLIR-H组与ASIR-V80%相比，SD、SNR和CNR值的差异无统计学意义（ P均>0.05）。主观评分结果显示，在腹主动脉-足部动脉全程，DLIR-H组噪声评分为最优，锐利度评分也明显高于ASIR-V80%（ P均<0.05）。 结论:深度学习重建可以显著降低下肢动脉CTA图像的噪声，提升图像质量。在DLIR（H、M、L）3种深度学习重建算法中，DLIR-H的降噪效能以及在图像噪声和锐利度的平衡中表现最佳，具有最高的图像质量。

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。