European Radiology：深度学习图像重建，实现腹部增强双能量CT图像质量的“飞跃”！

近年来，双能量计算机断层扫描（DECT）在临床CT成像研究中得到了越来越多的应用。DECT成像的基本原理是根据不同能量下的吸收值差异来分离物质，通过生成虚拟单色图像（VMI）和碘密度图像来显示结构及组成。以往的研究表明，VMI可以提高腹部结构和病变的对比度-噪声比（CNR），从而提高增强CT对肝脏和胰腺肿瘤的检测和定性。然而，VMI的一个缺点是，在接近33KeV的碘的K边低能量水平上，由于图像噪声的显著增加会发生图像质量的下降。因此，为了在常规CT研究中利用低千电子伏的VMI，必须优化图像重建方法以尽量减少图像噪声。

深度学习图像重建（DLIR）是一种新的CT重建方法，其中深度卷积神经网络（DCNN）被纳入了DLIR的图像重建算法，可通过高质量的CT图像数据集进行训练学习如何区分噪音和信号。据报道，在单能量CT中，与传统的混合迭代重建（IR）方法相比，DLIR技术可通过减少噪声来提高图像质量。目前，DLIR已经开始在临床上广泛使用，不仅适用于单能量CT也适用于DECT，但其相关还有待研究。

近日，发表在European Radiology杂志的一项研究与传统的混合迭代重建（IR）方法相比，定性和定量的评价了DLIR算法在改善腹部增强DECT图像质量方面的价值。

本项研究包括40名接受腹部增强DECT检查的患者。使用三种重建算法，包括混合红外（ASiR-V50%）和中等强度和高强度的DLIR（TrueFidelity）（分别为DLIR-M和DLIR-H）重建了虚拟单色的40、50和70千伏和碘密度图像。肝脏实质中衰减的标准偏差被测量为图像噪声。计算了CT门静脉期上门静脉的对比度-噪声比（CNR）。血管清晰度和整体图像质量按5分制评分，从1（差）到5（优）。对47个腹部实体病变的病变清晰程度进行了比较，采用5分制，从0（最佳）到-4（明显较差）。 

与混合红外相比，DLIR的虚拟单色40-、50-、70-keV和碘密度图像的噪声明显降低（P < 0.0001）。DLIR-H和DLIR-M的CNR明显高于混合IR（P < 0.0001）。DLIR-H和DLIR-M的血管清晰度和整体图像质量得分也明显高于混合IR（P < 0.05）。在所有能量级别的虚拟单色图像中，DLIR-M和DLIR-H的病变明显高于混合IR的病变明显（p≤0.001）。 

图 一名70岁的肥胖男子（体重指数，34.9 kg/m2），患有肝细胞癌，显示为门静脉期的虚拟单色40-keV CT图像。白色箭头表示肝细胞癌。图像采用混合迭代重建（ASiR-V 50%）（A）、深度学习图像重建的中等强度水平（DLIR-M）（B）和高强度水平（DLIR-H）（C）进行重建。所有展示的图像的窗宽和窗位都是相同的

本研究的定性定量评估显示，与传统的混合红外方法相比，DLIR明显改善了腹部增强DECT的图像噪声、血管显着性、整体图像质量、CNR和SNR。此外，与传统的混合红外法相比，用DLIR法可明显提高腹部实性病灶的病变清晰度。本研究表明，DLIR法可以改善DECT评估腹部疾病的诊断性能。

原文出处：

Mineka Sato,Yasutaka Ichikawa,Kensuke Domae,et al.Deep learning image reconstruction for improving image quality of contrast-enhanced dual-energy CT in abdomen.DOI:10.1007/s00330-022-08647-0