Radiology：如何同时提高小儿CT图像质量并降低辐射剂量？人工智能给了我们答案

在CT中，图像质量的提高和辐射剂量的降低的是一个固有的对抗过程，降低辐射剂量往往以牺牲图像质量为代价。在儿科人群中，这种平衡由于多种变量的存在而复杂化，例如身体体质、身体结构(和病变)大小等。

随着人工智能领域的最新进展，对CT图像深度学习重建(DLR)的研究表明，CT图像DLR可以在不改变噪声纹理的情况下同时改善图像质量和降低辐射剂量。然而，DLR如何影响图像质量和辐射剂量还有待于充分的研究。

近日，发表在Radiology杂志的一项研究探讨了DLR算法在小儿CT中降低辐射剂量及提高图像质量的效果，为提高小儿CT的诊断准确性及拓宽小儿CT的应用范围铺平了道路。

本项研究回顾了2018年2月至12月期间儿科患者的CT检查资料，将DLR与FBP、SBIR和MBIR进行了比较。采用d’npwe、任务传递函数和噪声功率谱分析，对15个物体(直径0.5 ~ 10 mm)在4个对比度差异水平(50、150、250、350 HU)下的目标检测能力进行了比较。使用曲线下面积分析评估对象的可检测性。由三名儿科方向放射科医生评估了奇静脉、右肝静脉、胆总管和肠系膜上动脉在低目标背景信号和噪声对比的解剖结构。阅读者对边缘清晰度、量子噪声水平和物体的显著性从1到10(最差到最好)进行打分。采用方差分析和Tukey honest显著性差异事后检验分析重构算法之间的差异。

本研究共纳入19例患者(平均年龄11岁±5[标准偏差];女性患者10例)。与FBP、SBIR和MBIR相比，DLR的目标检测能力分别提高了51%(16.5/10.9)、18%(16.5/13.9)和11%(16.5/14.8)。DLR降低了图像噪声，而没有MBIR看到的噪声纹理效果。放射科医师对DLR、MBIR、SBIR、FBP的评分分别为7±1、6.2±1、6.2±1、4.6±1;双因素方差分析显示不同重建类型之间有统计学差异(P < .001)。放射科医师更偏向使用DLR图像(类内相关系数为0.89;95%置信区间:0.83,0.93)。DLR减少的辐射剂量比SBIR大52％(1/2.1)。

图 将3 mm MBIR、SBIR和FBP重建结果减去3 mm深度学习重建(DLR)图像的目标可检测性(d’npwe)结果得到(a) 50 HU和(b) 350 HU的对比度差异。另外，从3 mm的SBIR结果中减去0.5 mm的DLR d’npwe图像结果表明，在图像层厚在0.5 mm到3 mm之间时，所有重建算法中DLR目标检测能力均得到了提高。

表 不同器官辐射剂量的减少。

在CT图像重建过程中使用深度学习重建（DLR）是人工智能的创新应用，本研究结果表明，DLR可在不牺牲噪声纹理和空间分辨率的情况下提高图像质量并降低辐射剂量。人工智能的引入提高了放射科医生诊断的信心，并为其在小儿CT中的进一步广泛应用铺平了道路。

原文出处：

Samuel L Brady,Andrew T Trout,Elanchezhian Somasundaram,et al.Improving Image Quality and Reducing Radiation Dose for Pediatric CT by Using Deep Learning Reconstruction.DOI:10.1148/radiol.2020202317