European Radiology：深度学习算法在腹部CT成像中的应用

迭代重建（IR）是日常工作中使用的标准计算机断层扫描（CT）图像重建方法。不同的供应商提供各种类型的IR算法，大多数算法使用统计噪声模型，可以应用于图像和原始数据领域（HIR）。另一种形式的IR使用多种模型，包括统计噪声、扫描仪光学、探测器几何学、Rx光束形态学等（MBIR）。与HIR，特别是滤波背投（FBP）相比，MBIR在图像质量上有了全面的改善。然而，MBIR有两个主要缺点：第一，生成的图像锐利度过低，影响诊断的进行；第二，计算机处理要求高，需要特定的硬件，同时图像重建时间更长。

最近，不同类型的深度学习重建（DLR）算法引入临床应用，深度卷积神经网络（DCNN）就是其一。DCNN-DLR算法实现了HIR的重建速度和可用性以及MBIR的图像质量提升性能。尽管有这种潜在的优势，DLR算法的临床接受度和主观表现仍不明确。

近日，发表在European Radiology杂志的一项研究探讨了与传统的迭代重建（IR）算法相比，深度学习重建（DLR）算法的图像质量和临床接受程度。

CT采集是采用两个模型和总共九个剂量水平下进行的。用两种IR算法重建图像，即DLR和滤波回投法。比较了空间分辨率、图像纹理、平均噪音值以及客观和主观的低对比度可检测性。由十位资深放射科医生通过对用DLR和IR算法重建的十次CT检查进行评分，并评估这些算法的临床接受程度。 

与MBIR相比，DLR在低剂量下（CTDI_vol分别≤2.2和≤4.5 mGy）产生了较低的噪声和较高的低对比度可检测性指数。MBIR的空间分辨率和高剂量时的可检测性更好。与HIR相比，DLR产生了更高的空间分辨率，更低的噪音和更高的可检测指数。尽管在算法性能上有这些差异，但在主观低对比度性能上没有发现明显差异（P≥0.005）。DLR的纹理比MBIR的纹理更精细，更接近于HIR的纹理。放射科医生在所有评估标准中都更倾向于DLR图像（p < 0.0001），而MBIR在所有评估标准中除了噪声比方面（p = 0.044）没有统计学差异，其余都比HIR差（p < 0.0001）。DLR的重建时间比MBIR快12倍。  

图 DLR、MBIR、HIR和FBP算法的NPS噪声曲线。请注意，在两个最低剂量设置下，DLR图像的噪声量低于MBIR，然后随着剂量水平的增加，其变得略高

总之，DLR提供了比HIR更高的图像质量，在放射科医生中显示了最好的接受率，并且与MBIR相比，在重建时间上有相当大的增益。尽管DLR的整体图像质量略低于MBIR，但这种图像质量的变化并没有转化为主观的低对比度可检测性的损失。这一数据表明，DLR可以为日常实践中的腹部成像提供最佳的折中方案。

原文出处：

Pierre-Antoine Bornet,Nicolas Villani,Romain Gillet,et al.Clinical acceptance of deep learning reconstruction for abdominal CT imaging: objective and subjective image quality and low-contrast detectability assessment.DOI:10.1007/s00330-021-08410-x