European Radiology：深度学习，实现CT图像的“既要、又要”！

尽管CT技术不断发展，医疗辐射暴露仍然是一个重要的临床问题。因此，人们不断地开发技术以减少患者的辐射剂量，包括管电流调制、降低管电压和图像重建算法。

其中，滤波背投（FBP）是图像重建中传统使用的算法，其重建速度更快，易于实现，因此临床应用广泛。然而，在降低辐射剂量方面，其在分辨率、高图像噪声、伪影和图像质量方面存在很多缺点。为了克服FBP的特殊缺点，迭代重建（IR）被引入临床。IR在同时降低剂量和噪声方面非常成功，但大量的噪声降低导致不可避免的 "过度平滑"，导致IR重建的图像出现 "不自然 "的外观。

面对IR的这些局限性，GE Healthcare开发了深度学习图像重建（DLIR）算法（TrueFidelityTM; GE Healthcare），其通过高质量的FBP数据集进行训练，学习如何区分噪音和信号，并使用了深度基于卷积神经网络（DCNNs）模型。

近日，发表在European Radiology杂志的一项研究比较了DLIR算法（TrueFidelityTM）与混合IR算法（自适应统计迭代重建V[ASIR- V]）和FBP在不同管电压和管电流下的图像质量、辐射剂量和诊断准确性，实现了图像质量保证的同时减少患者辐射剂量的暴露。

本研究在不同的电子管电压（120、100和80 kVp）和不同的电子管电流（200、100和60 mA）下对一个定制的人体模型进行了扫描。CT数据集用FBP、混合IR（30%和50%）和DLIR（低、中、高等级）进行重建。参考图像被设定为在120 kVp/200 mA下用FBP拍摄的图像。对每次扫描的图像噪声、对比度-噪声比（CNR）、清晰度、伪影和整体图像质量进行定性和定量评估。同时使用体积CT剂量指数（CTDIvol）评估了每个剂量扫描的辐射剂量。 

在定性和定量分析中，与参考图像相比，使用DLIR的低剂量CT明显减少了噪声和伪影，提高了整体图像质量，甚至清晰度也有所下降（P < 0.05）。尽管图像清晰度有所下降，但低剂量CT的DLIR可以保持与常规剂量CT的FBP相当的图像质量，尤其是在使用中等强度水平时也是如此。 

图 使用不同的重建算法在扫描参数为80 kVp/200 mA的情况下获得的腹部CT轴位图像。(a) 滤波背投（FBP），(b) 自适应统计迭代重建V（ASIR-V）30%，(c) ASIR-V 50%，(d) 低水平深度学习图像重建（DLIR-L），(e) 中水平DLIR（DLIR-M），和(f) 高水平DLIR（DLIR-H）。对于用中等强度的DLIR算法重建的图像，定性的整体图像质量的评估得分是高EST，为4分。整体图像质量得分是2、2、2、3。 4和3，分别为FBP、ASIR-V 30%、ASIR-V 50%、DLIR-L、DLIR-M和DLIR-H的重建算法

本研究表明，与FBP和混合IR相比，新的DLIR算法减少了噪声和伪影，同时提高了整体图像质量。尽管DLIR算法的CT图像清晰度降低，但采用DLIR的低剂量CT在整体上具有更大的剂量优化潜力。

原文出处：

Hye Joo Park,Seo-Youn Choi,Ji Eun Lee,et al.Deep learning image reconstruction algorithm for abdominal multidetector CT at different tube voltages: assessment of image quality and radiation dose in a phantom study.DOI:10.1007/s00330-021-08459-8