Radiology:肝脏转移瘤腹部CT的低剂量深度学习重建

2022-03-11 shaosai MedSci原创

CT对低对比度肝脏病变的评估是医学成像中极具挑战性的任务之一。在CT辐射剂量降低的情况下,这些病变的检测和定性更加困难。

CT低对比度肝脏病变的评估是医学成像中具挑战性的任务之一。在CT辐射剂量降低的情况下,这些病变的检测和定性更加困难。多年来,人们一直试图使用迭代重建方法来保持图像质量,如自适应统计迭代重建(ASIR,GE Healthcare),以减少相对于滤波背投(FBP)的图像噪声,同时减少辐射剂量。即使使用更先进的混合重建方法ASIR-V(GE Healthcare),对低对比度肝脏病变的观察也不如使用平均体积CT剂量指数(CTDIvol)11.8 mGy的检查。多年来,基于人工智能的重建算法,如深度学习图像重建(DLIR)(True Fidelity,GE Healthcare)和高级智能Clear-IQ引擎(Canon Medical Solutions)已投入商业使用。这些重建算法可以进一步降低所需剂量水平。

近日,发表在Radiology杂志的一项研究评估降低剂量的DLIR和标准剂量的FBP对比增强腹部CT图像结直肠癌肝转移灶的检测和表征,并对图像质量进行定性比较

项前瞻性研究(2019年9月至2021年4月)基线CT时有活检证实的结直肠癌和肝转移的进行了标准剂量和减剂量门静脉腹部CT扫描。三位放射科医生在标准剂量FBP和减剂量DLIR下进行病变检测和描述,并对图像质量进行评分。记录了肝转移的对比度-噪声比,报告了汇总统计数据,并使用了广义线性混合模型进行评估

本研究共评估了51名参与者(平均年龄±标准差,57岁±13;31名男性)。减低剂量CT(12.2 mGy)的平均体积CT剂量指数比标准剂量CT(34.9 mGy)低65.1%。共发现161个病灶(127个转移灶,34个良性病灶),平均大小为0.7厘米±0.3。减少剂量的DLIR的主观图像质量优于标准剂量的FBP(P < .001)。减轻剂量DLIR的肝转移的平均对比度-噪声比(3.9 ± 1.7)高于标准剂量FBP(3.5 ± 1.4)(P < .001)。只有0.5厘米或更小的病变才有检测差异:标准剂量FBP检测到65个病变中的63个(96.9%;95%CI:89.3,99.6),减量DLIR检测到47个病变(72.3%;95%CI:59.8,82.7)。标准剂量FBP和减量DLIR的病变准确率分别为80.1%(95%CI:73.1,86.0;161个病变中的129个)和67.1%(95%CI:59.3,74.3;161个病变中的108个)(P = .01)。据统计,减少剂量后,病变置信度较低(P < .001)。

 使用SD-FBP和RD-DLIR在同一屏气中获得的腹部轴位对比度增强CT图像。在减剂量深度DLIR下,三位读者都漏掉了一个0.5厘米的低对比度转移灶(箭头与圆圈),而在标准剂量FBP下,所有读者均观察到了病变。值得注意的是,所有三位读者都将这一减量DLIR扫描定性为4分(优于每位读者的标准剂量FBP评分3分),即使在这次扫描中减少了67%的辐射剂量。标准剂量FBP、标准剂量ASIR-V 60% (AV60)、标准剂量DLIR、减剂量FBP、减剂量AV60和减剂量DLIR的肝转移的对比度-噪声比分别为3.6、4.6、4.7、2.1、3.3和3.4。

总之,相对于ASIR-V和FBP重建算法,深度学习图像重建(DLIR)改善了主观CT图像质量、信噪比和对比度-噪声比,并且相对于标准剂量的FBP,对于大于0.5厘米的病变可保持较高的检出率。尽管DLIR的这些改进在许多临床情况下可能会减少辐射剂量的摄入,但结果表明,DLIR不能维持观察者对非常小的低对比度病变(0.5厘米)的检测及表征。因此,本研究建议对于肝脏病变较小患者的评估,应谨慎使用低剂量扫描的应用

原文出处

Corey T Jensen,Shiva Gupta,Mohammed M Saleh,et al.Reduced-Dose Deep Learning Reconstruction for Abdominal CT of Liver Metastases.DOI:10.1148/radiol.211838

作者:shaosai

版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (3)
#插入话题

相关资讯

Radiology:深度学习预测临床I期非小细胞肺癌N2转移和生存

深度学习特征能准确预测临床I期非小细胞肺癌N2期病变及预后分层

NeuroImage:深度学习可绘制大规模组织学tau蛋白验证阿尔茨海默病的神经成像生物标志物

深度学习可绘制大规模组织学tau蛋白验证阿尔茨海默病的神经成像生物标志物

(12号)Radiology:在CTA中使用深度学习进行主动脉夹层的识别及Stanford分类

临床上,主动脉夹层(AD)是急性主动脉综合征最常见的原因之一,约总数的85%至95%。AD的年发病率约为每10万人中2.9至4.3人。

European Radiology:深度学习,让使用常规MRI进行自闭症诊断成为可能!

自闭症谱系障碍(ASD)是一种神经发育障碍,其特征是社交和沟通的障碍以及重复性和限制性行为。

European Radiology:深度学习方法在CTA中自动分割和量化的主动脉病变的应用

主动脉疾病,尤其是动脉瘤和夹层,是老年人中的常见疾病,经常需要进行复杂的手术治疗和定期随访检查。CTA是初步诊断、围手术期评估和随访的首选成像方法。

Radiology:在超低剂量胸部CT中,深度学习可实现肺结节的“既要、又要、还要”

据统计,肺癌是现阶段全球范围内癌症相关死亡的主要原因,占总数的18.4%。大量的CT筛查可以将肺癌的10年死亡率降低24%。尽管对肺癌筛查的需求迅速增加,但辐射暴露的累积负荷限制了其进一步的广泛应用。