简介:摘要近年来,CT图像算法中基于深度学习的图像重建(DLIR)技术不断发展,日益成熟,目前已经逐步应用于临床实践中。DLIR算法较常规迭代重建算法具有在降低辐射剂量和图像噪声的同时不改变图像纹理,保持或提高解剖细节显示能力、总体图像质量和医生诊断信心的众多优势。因此,笔者重点就DLIR算法的原理、优劣势及其在人体各系统的临床应用进展进行综述,旨在进一步提高对DLIR算法的认识,并对其可能的应用情景提供借鉴。
简介:摘要深度学习图像重建算法是目前CT图像重建领域最为前沿的技术,随着算法的不断优化和模型泛化性的提升,适用人群和全身各部位的临床应用也在不断拓展,在疾病诊治中发挥了重要作用。深度学习图像重建算法能够降低图像噪声、消除伪影、避免“过度平滑”的视觉感观,提升主观诊断效能,并有助于CT检查中辐射剂量的降低。此外,深度学习图像重建算法不影响CT图像重建的速度,能够满足临床工作流的需求。随着对深度学习图像重建算法的不断探索以及临床应用的拓展,可以挖掘深度学习图像重建算法的潜在优势,提升CT临床应用的能力。
简介:摘要目的设计一种联合深度学习剂量预测和参数迭代优化算法的容积调强放射治疗(VMAT)全自动计划方法。方法选取2018年6月至2021年1月北京大学肿瘤医院既往165例直肠癌患者的VMAT计划开展研究,其中145例用于训练和验证深度学习模型,该模型用于预测危及器官的剂量,20例用于研究比对自动计划和人工计划的质量。该方法从危及器官的预测剂量分布中提取关键的剂量体积直方图(DVH)值作为初始优化参数(IOPs),利用治疗计划系统可编程接口自动创建VMAT计划,通过设计迭代优化算法自动调节优化参数(OPs)。结果剂量预测模型训练后能有效预测出20例测试计划危及器官的关键DVH值,与参考值相比差异均无统计学意义(P> 0.05)。20例VMAT自动计划均能满足临床处方剂量要求,对于PTV和PGTV的适形性指数(CI),人工计划与自动计划比较差异均无统计学意义(P> 0.05);而PGTV的D1和均匀性指数(HI),自动计划均高于人工计划,分别为0.6 Gy和0.01,两者比较差异均有统计学意义(t=-7.05、-6.92,P<0.05)。自动计划比人工计划的膀胱平均V30下降2.7%(t=3.37,P< 0.05),股骨头和危及器官辅助结构(Avoidance)的平均V20分别下降8.37%和15.95%(t=5.65、11.24,P< 0.05),并且膀胱、股骨头、Avoidance的平均剂量分别降低了1.91、4.01和3.88 Gy(t=9.29、2.80、10.23,P< 0.05)。测试的20例直肠癌患者病例的自动计划平均时间为(71.82±25.48)min。结论本研究利用直肠癌病例验证了一种联合剂量预测和参数迭代优化算法的VMAT自动计划方法的可行性。相比于人工计划,VMAT自动计划无需人工干预,在提高计划设计效率、计划质量和临床资源利用率等方面有很大的应用潜力。
简介:摘要目的探究深度学习算法(DLR)在胰腺低剂量CT扫描中改善图像质量的价值。方法前瞻性收集2020年8月至12月在北京协和医院进行腹部胰腺增强检查的68例患者,采用随机区组法分为正常剂量组和低剂量组,各34例,正常剂量组扫描管电压为120 kV,低剂量组管电压为100 kV。所有患者均行平扫、动脉期、实质期、延迟期扫描。低剂量组4期图像分别采用滤波反投影(FBP)、混合模型迭代算法(AIDR)和DLR 3种方法重建图像,正常剂量组4期图像均采用AIDR重建图像,分别记为LD-FBP、LD-AIDR、LD-DLR、RD-AIDR。测量胰腺的CT值、噪声值(SD),计算信噪比(SNR)、对比噪声比(CNR),不同重建方法图像间各参数的比较采用单因素方差分析,两两比较采用LSD法;对每组图像进行主观评分,多组间比较采用Kruskal-Wallis检验。结果正常剂量组和低剂量组患者胰腺平扫、动脉期、实质期、延迟期不同重建方法图像间胰腺CT值、SD、SNR、CNR差异均有统计学意义(P均<0.05)。实质期和延迟期图像LD-FBP、LD-AIDR、LD-DLR图像CT值均高于RD-AIDR图像(P均<0.05);4期图像间SD、SNR两两比较差异均有统计学意义(P均<0.05);4期LD-FBP、LD-DLR与RD-AIDR的CNR差异有统计学意义(P均<0.05),RD-AIDR的CNR优于LD-FBP,LD-DLR优于RD-AIDR。DLR算法对胰腺4期图像的SD、SNR、CNR均有改善,其中对SNR的改善增强图像更为显著,对CNR的改善平扫期和延迟期更为显著。胰腺4期不同算法重建图像主观评分差异均有统计学意义(P均<0.001)。LD-DLR与RD-AIDR评分差异无统计学意义(平扫、动脉期、实质期、延迟期Z值分别为1.00、2.24、0.45、1.34,P值分别为0.317、0.025、0.655、0.180)。结论DLR技术可以在降低胰腺CT辐射剂量的同时改善图像质量,满足诊断需求,在胰腺低剂量增强CT检查中可降低噪声,提高图像的信号SNR和CNR。
简介:摘要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。
简介:摘要近十年来,人工智能技术快速发展并逐渐由学术界走向产业界,其在医疗领域的应用也逐渐深入。受技术和伦理的局限,人工智能在医疗领域更多处于辅助决策的地位。抑郁症作为一种常见的精神障碍,其发病率在全球日益增长,如何利用以深度学习为代表的人工智能技术手段实现对抑郁症的筛查和诊断,促进抑郁症早发现和及时治疗,具有十分重要的意义。我们对近几年以人工智能为手段的抑郁症辅助诊断技术进行了文献调研和总结,主要从人脸表情、语音语调、文本语义、姿态行为及多模态数据融合5个方面入手,介绍人工智能在面向患者日常行为分析的抑郁症辅助诊断方面的研究进展。
简介:摘要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。
简介:摘要目的增强CT是术前诊断和评估胃黏膜下肿瘤(SMT)恶性潜能的重要检查手段,在区分直径>5 cm胃的胃肠间质瘤(GIST)和胃良性SMT中有较高的诊断准确率。本研究拟使用深度学习算法建立基于增强CT的鉴别诊断模型GISTNet,评估其在术前鉴别直径≤5 cm的胃GIST和其他胃SMT的预测价值。方法采用诊断性试验研究方法。回顾性收集2016年9月至2021年4月期间,上海交通大学医学院附属仁济医院胃肠外科连续性收治的181例接受手术、且术后病理证实为肿瘤直径≤5 cm胃SMT患者,排除13例CT图像质量不佳者,共计168例患者纳入研究。其中107例为GIST,61例为非GIST的SMT(non-GIST),其中术后病理27例为平滑肌瘤,24例为神经鞘瘤,6例为异位胰腺,4例为脂肪瘤。病例纳入标准:(1)手术前经增强CT诊断为胃SMT的患者;(2)术前完善胃镜且活检病理未见异型细胞;(3)临床、病理资料齐全。排除标准:(1)手术前接受过抗肿瘤药物治疗;(2)无影像或任何原因导致的CT图像质量不佳;(3)术后病理诊断为除GIST外的其他胃恶性肿瘤。将研究对象根据留出法(hold-out method)随机划分为GIST鉴别诊断模型(GISTNet)的训练集(148例)和测试集(20例),用于GISTNet诊断模型的训练及其性能评估。GISTNet模型建立后,在测试集采用5个指标进行评估,即灵敏度、特异度、阳性预测值、阴性预测值和受试者工作曲线(ROC)计算的曲线下面积(AUC)。进一步将GISTNet诊断模型与现有文献报道的传统影像学征象所组成的模型比较。此外,为了比较深度学习模型与影像科医生对胃SMT影像诊断的准确性,3位工作经验分别为3、9、19年的影像科医生、在隐藏临床病理信息的情况下,对测试集中的样本进行判断,将3位医生的准确率与GISTNet模型相对比。结果GISTNet模型在测试集上获得了0.900(95% CI:0.827~0.973)的AUC,当阈值为0.345时,GISTNet模型的灵敏度为100%,特异度为67%,阳性预测值为75%,阴性预测值为100%。GISTNet模型的准确率为83%,优于GIST-Risk模型(75%)和两位低年资影像科医生(60%和65%),并与工作经验为19年的影像科医生接近(80%)。结论基于增强CT的深度学习算法对术前鉴别直径≤5 cm的胃GIST和其他胃SMT具有良好、可靠的诊断准确率。
简介:摘要目的应用深度学习算法建立基于纸质版12导联体表心电图的人工智能模型,评估并比较其与心律失常专科医生对流出道室性心律失常起源部位定位的效能。方法收集2011年5月1日至2020年12月31日在首都医科大学附属北京朝阳医院、温州医科大学附属第二医院、浙江大学医学院附属邵逸夫医院、北京大学第三医院经射频消融术成功治疗的527例流出道室性心律失常患者的861份纸质版室性心律失常心电图。以术中成功消融靶点作为金标准,对以深度学习为基础的人工智能模型进行训练、验证及测试。两位心律失常专科医生根据经典定位流程图及临床经验对测试集心电图进行靶点判断。对比深度学习算法与人工判读的敏感性、特异性和准确性等。结果基于纸质版常规12导联体表心电图的扫描图像建立的人工智能模型的灵敏度、特异度、准确率、受试者工作特征曲线下面积、F1指数分别为94.0%、83.3%、93.0%、0.93和0.96。针对测试集,专科医生判读的平均灵敏度、特异度和准确率分别为95.7%、83.3%和94.6%。结论在流出道室性心律失常起源定位方面,基于纸质版心电图的深度学习算法表现出较高性能,与心律失常专科医生的判断水平相当。
简介:摘要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/m2;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。
简介:摘要目的探讨鼻窦CT扫描中,前置和后置自适应统计迭代重建算法(ASiR-V)对图像质量和辐射剂量的影响,并寻找最佳的迭代组合。方法以1具离体头颅标本为研究对象,采用临床鼻窦CT常规扫描条件[噪声指数(NI)=8],以及前置ASiR-V的不同等级(0~100%,间隔为10%)进行螺旋扫描,所得原始数据使用后置ASiR-V的不同等级(0~100%,间隔为10%)进行骨算法和标准算法重建,共获得242个鼻窦薄层图像序列。选择特定的感兴趣区(ROI)测量CT值,并计算图像对比噪声比(CNR)和品质因子(FOM)。记录容积CT剂量指数(CTDIvol)和智能毫安(Smart mA)值。采用线性回归分析对ASiR-V各等级与对应的CTDIvol、Smart mA、CNR、FOM进行比较分析。采用配对t检验对相同后置不同前置ASiR-V骨算法和标准算法图像的CNR进行分析比较。主观评价采用双盲法由3名高年资放射诊断医师以4分法(4分为最佳)进行图像质量评分。结果随着前置ASiR-V等级(0~100%)的增加,Smart mA、CTDIvol均减低,呈线性负相关(r分别为-0.981、-0.976,P均<0.001);Smart mA降幅为72.05%,CTDIvol降幅为71.22%。前置ASiR-V相同,随后置ASiR-V等级增加,骨算法和标准算法图像对应的CNR呈上升趋势,呈正相关(骨算法图像:R2分别为0.976、0.992、0.982、0.982、0.975、0.975、0.979、0.996、0.952、0.978、0.965;标准算法图像:R2分别为0.944、0.990、0.988、0.993、0.996、0.987、0.984、0.996、0.996、0.990、0.965);后置ASiR-V相同,随前置ASiR-V等级增加,骨算法和标准算法图像对应的FOM呈波动变化(骨算法图像:R2分别为0.335、0.341、0.344、0.364、0.385、0.405、0.418、0.429、0.455、0.474、0.516;标准算法图像:R2分别为0.223、0.278、0.327、0.285、0.309、0.329、0.325、0.346、0.360、0.390、0.380)。以上各种前置和后置迭代等级组合所得图像主观评价均可满足诊断要求(评分≥3)。结论当NI=8时,骨算法最佳前置和后置迭代等级组合为80%和100%;标准算法最佳迭代等级组合为100%和100%。鼻窦CT扫描中,选择恰当的前置和后置迭代等级组合,能够在图像质量满足诊断要求的前提下,有效降低辐射剂量。
简介:摘要目的对结直肠癌同时性腹膜转移患者进行精准诊断和分期依旧困难。本研究旨在利用人工智能的ResNet-3D算法构建一种矢量向量模型(SVM)分类器,来预测结直肠癌同时性腹膜转移。方法由放射科医生按原始格式,回顾性提取2017年1月至2018年5月期间,在中山大学附属第六医院经病理确诊的同时性腹膜转移或无腹膜转移的结直肠癌患者术前增强CT图像;从专业随访人员维护的结直肠癌数据库中,收集相应患者的临床病理参数和生存期资料。排除术后异时性腹膜转移、或肿瘤复发的患者以及无法获得增强CT扫描原始图像者。应用ITK-SNAP软件在结直肠癌同时性腹膜转移患者的术前增强CT扫描图像中勾画原发肿瘤,提取肿瘤邻近腹膜的特征,建立一种ResNet-3D+SVM分类器。再利用测试集对ResNet-3D+SVM分类器的效能进行评估,并与放射科医生常规CT的诊断水平进行对比。结果同时性结直肠癌腹膜转移患者74例和同期无腹膜转移的96例患者共计170例入组,被随机分为训练组(腹膜转移54例,非腹膜转移76例)和测试组(腹膜转移和非腹膜转移各20例)。通过深度学习构建的ResNet-3D算法只用了34 s就分析完了所有40例测试组患者的7 837张测试图像。为了提高该模型对腹膜转移的诊断准确性,将ResNet-3D的人工智能(AI)模型与12个腹膜腹膜转移特征相结合,构建了SVM分类器(均P<0.05)。该分类器的腹膜转移诊断准确率为94.11%,曲线下面积(AUC)为0.922(0.912~0.944),灵敏度为93.75%,特异度为94.44%,阳性预测值为93.75%,阴性预测值为94.44%。其诊断能力明显优于常规增强CT(AUC:0.791)。结论基于深度学习算法构建的ResNet-3D+SVM分类器,在诊断结直肠癌同时性腹膜转移中显示出很大的潜能。
简介:摘要目的探索使用级联模型在CT平扫图像中自动检出肾结石的可行性。方法回顾性搜集2018年1月至7月在北京大学第一医院行泌尿系CT平扫并诊断为肾结石的59例患者的临床和影像资料。根据患者CT检查时间将患者图像分为两组:肾脏分割模型训练集(30例)和肾结石检出模型测试集(29例)。建模包括:(1)训练肾脏分割的深度学习模型,采用U-Net神经网络,以dice系数评估肾脏分割算法的性能;(2)在肾脏分割的基础上,用阈值算法和区域生长算法检出所得肾脏区域里的结石;(3)测量肾结石各向径线值(长径、中径和短径)和CT值,并将结果返回到结构化报告。由1名医师记录肾结石位置并手动测量肾结石各向径线值(长径、中径和短径)和CT值作为金标准,计算模型自动检出结石的灵敏度、特异度和准确度,并使用Bland-Altman法分析模型自动测量和医师手工测量结果的一致性。结果测试集29例患者,共11 358层CT图像,58个肾脏纳入研究,其中38个肾脏有结石,共有56个结石,20个肾脏无结石。使用U-Net模型对测试集11 358层CT图像进行分割,平均dice系数为0.96;其中10 945(96.36%)层图像分割效果很好,dice系数≥0.90。以肾脏为单位,模型在测试集中检出结石的灵敏度、准确度、特异度分别为100%(38/38)、100%(38/38)、100%(20/20);以结石为单位,模型检出结石的灵敏度、准确度分别为100%(56/56)、96.6%(56/58)。结论肾结石检出级联算法可以在CT平扫图像中自动检出肾结石,并自动返回到结构化报告中,提高临床工作效率。
简介:摘要目的探讨深度学习图像重建(DLIR)算法优化儿童多发性大动脉炎增强CT(CECT)图像质量和提升血管壁测量精度的价值。方法回顾性收集2019年9月至2020年4月于首都医科大学附属北京儿童医院32例进行低辐射剂量体部CECT的多发性大动脉炎患儿,扫描管电压100 kVp,将原始数据采用滤波反投影(FBP)、50%自适应统计迭代重建(ASIR-V)、100%ASIR-V、DLIR重建为0.625 mm的薄层图像。主观评价由两名医师采用5分法评估整体图像噪声、血管壁的显示能力以及诊断信心指数。客观评价测量各组图像血管壁厚度,计算测量标准差和变异系数(CV),同时计算对比噪声比。使用Friedman检验比较4组图像间主观评分的差异,采用随机区组的方差分析比较客观测量指标的差异。结果整体噪声方面100%ASIR-V、DLIR间评分差异无统计学意义(P>0.05),此两组图像评分均高于FBP、50%ASIR-V(P均<0.05),血管壁显示能力与诊断信心指数DLIR优于其他图像(P均<0.05)。客观测量结果显示,DLIR图像管壁厚度标准差和CV小于其他图像,差异有统计学意义(P均<0.05),100%ASIR-V与DLIR间血管噪声值、肌肉噪声值、对比噪声比的差异无统计学意义(P均>0.05),均低于FBP和50%ASIR-V图像(P均<0.05)。与50%ASIR-V图像相比,DLIR图像的CV降低了22.9%,对比噪声比提升了46.8%。结论DLIR可改善大动脉炎患儿的CECT图像质量,提升血管壁的测量精度,使进一步降低辐射剂量成为可能。
简介:摘要目的通过与多模型迭代重建算法(ASiR-V)对比,探讨深度学习图像重建(DLIR)算法在低辐射剂量下对乏血供肝转移瘤CT图像质量及检出效能的影响。方法前瞻性收集2021年1月至4月郑州大学第一附属医院因乏血供肝转移病变需行全腹部增强CT的56例患者,增强后第1静脉期均行常规辐射剂量(400 mA)CT扫描,根据第2静脉期管电流的不同将患者分为A(280 mA,19例)、B(200 mA,19例)、C(120 mA,18例)组。各组第1静脉期和第2静脉期图像均进行权重为60%的ASiR-V(ASiR-V60%)和高强度的DLIR(DLIR-H)重建。图像质量客观评价指标包括噪声、肝脏的信噪比(SNR肝脏)和门静脉的信噪比(SNR门静脉)、病灶的对比噪声比(CNR病灶),主观评价指标包括总体图像质量评分、病灶显示能力评分、诊断信心度评分,并记录各组有效辐射剂量(ED)和病灶检出率。采用配对t检验比较ASiR-V60%和DLIR-H图像间客观指标的差异,采用配对资料的Wilcoxon符号秩和检验比较主观评价指标。结果第2静脉期A、B、C组ED分别为(5.56±0.35)、(3.88±0.23)、(2.42±0.23)mSv。A、B、C组第2静脉期的ED分别比第1静脉期的ED降低30%、50%、70%。随着辐射剂量的降低,噪声逐渐增加,CNR病灶、SNR肝脏、SNR门静脉逐渐降低。在相同辐射剂量条件下,DLIR-H的图像的客观评价指标均优于ASiR-V60%,差异有统计学意义(P均<0.001)。各组的主观评分随辐射剂量的降低而降低,在相同辐射剂量条件下,DLIR-H的总体图像质量、病灶显示能力和诊断信心评分均高于ASiR-V60%(P均<0.001)。A组的ASiR-V60%和DLIR-H均将全部病灶检出,检出率为100%(84/84),B组检出率均为92.0%(75/81),C组检出率均为88.0%(79/89)。结论与ASiR-V60%相比,DLIR-H在低辐射剂量下均可提高总体图像质量及乏血供肝转移病灶的显示能力,增加诊断信心。
简介:摘要目的基于磁敏感加权成像(susceptibility-weighted imaging,SWI)图像建立深度学习算法模型分析脑浅静脉(superficial cerebral veins,SCV)形态学参数与皮层下深部白质病变(deep white matter lesions,DWML)之间的关联。材料与方法招募健康志愿者364名,所有受试者行头颅常规序列及SWI扫描。随机选取其中200名受试者的SWI图像重建得到最小密度投影(minimum intensity projection,MinIP)图像,采用深度学习算法分析MinIP图像,建立SCV形态学特征的自动量化模型。采用该模型分析剩余164名受试者双侧大脑半球SCV的血管直径、曲率等形态学参数。根据有无皮层下DWML将164名受试者分为两组,分别为有皮层下DWML组(共53人)和无皮层下DWML (non-deep white matter lesions,N-DWML)组(共111人)。采用Mann-Whitney U检验对DWML组与N-DWML组的SCV形态学参数进行分析。对差异有统计学意义的指标和皮层下深部白质病变建立二元Logistic回归模型。结果用于分析SCV形态学特征的深度学习算法模型在训练集的平均准确率为98.19%,在验证集的平均准确率为98.02%,测试集的平均准确率为98.03%。双侧大脑半球SCV的各项量化指标在年龄及受教育年限的分布中差异均无统计学意义(P>0.05),但在性别中分布中差异有统计学意义,表现为男性双侧大脑半球SCV血管数量均显著多于女性(右侧P=0.004,左侧P<0.001)。DWML组和N-DWML组在双侧大脑半球的SCV直径及数量中差异均无统计学意义(P>0.05),DWML组的SCV曲率较N-DWML组显著增大(P<0.001)。右侧大脑半球SCV曲率与DWML的发生呈显著正相关(回归系数为2.035,P=0.015)。结论SCV形态学改变与DWML之间存在潜在关联,SCV曲率改变可能通过影响局部血流动力学改变从而导致DWML的发生。