深度学习算法在超高分辨率腹部CT 中图像质量的研究
关键词:
深度学习重建算法DLIR-CI；层厚优化；图像质量；腹部CT 成像摘要
目的 探讨深度学习算法（ClearInfinity，DLIR-CI）在非增强腹部CT 扫描图像中，当层厚减少50% 时对图像质量的改善效果及可行性。方法 选取19 例接受常规腹部CT 检查的受试者，使用超高分辨率16 cm 宽体探测器CT（NeuViz Epoch Elite，46.5 lp/cm）完成扫描（120 kV、350 mA、准直0.3125 mm）。图像层厚设定为0.625 mm(A 组，迭代重建CV50%) 和0.3125 mm（B 组），B组进一步分为B1 组（CV50%）与B2 组（DLIR-CI 重建，分别为CI20%、CI50%、CI80%）。测量各组图像中肝脏、脾脏、胰腺与肾脏的CT 值、图像噪声（标准差，SD）及计算信噪比（SNR）。结果 与A 组相比，B1 组图像噪声显著升高，SNR 降低（p<0.05）；B2 组中，随CI 重建强度增加，图像噪声逐渐降低，SNR 显著提升。A 组平均SD 为22.16±4.3，B 组中B1（26.26±5.4）、CI20%（28.03±5.4）、CI50%（16.84±3.3）、CI80%（8.93±1.7）之间差异具有统计学意义（p<0.05）。B2 组中CI50% 与CI80% 的SNR 分别为3.25±0.7
与6.17±1.2，显著优于A 组（2.43±0.5）。结论 在保持图像分辨率提升的同时，深度学习重建算法（CI50%、CI80%）可显著降低层厚减半后带来的图像噪声，提高非增强腹部CT 图像质量。该技术有望优化临床扫描方案，提升诊断准确性，为高分辨率CT 影像提供有效的重建支持。
参考
[1]Catanzano, T. (2024). Abdominal Imaging Techniques. In: Catanzano, T. (eds) What Radiology Residents Need to Know: Abdominal Radiology. What Radiology Residents Need to Know. Springer, Cham. https://doi.org/10.1007/978-3-031-76624-4_1
[2]Qin,L., Zhou, S., Dong, H.et al.Improvement of coronary stent visualization using ultra-high-resolution photon-counting detector CT.Eur Radiol34, 6568–6577 (2024).
[3]Choi, K. Self-supervised learning for CT image denoising and reconstruction: a review.Biomed. Eng. Lett.14, 1207–1220 (2024).
[4] 吴巧玲，王沄，王希恒，等. 深度学习算法在胰腺低剂量CT 扫描中改善图像质量的应用价值[J]. 中华放射学杂志，2022,56(4):437-442.
[5] 吕培杰，耿琪，刘娜娜，等，基于深度学习的CT 图像重建算法临床初步应用进展[J]. 中华放射学杂志，2022，56(11):1261-1266.
[6]Nakamoto, A., Onishi, H., Ota, T.et al.Contrast-enhanced thinslice abdominal CT with super-resolution deep learning reconstruction technique: evaluation of image quality and visibility of anatomical structures.Jpn J Radiol43, 445–454 (2025).
[7]Cao, L., Liu, X., Qu, T.et al.Improving spatial resolution and diagnostic confidence with thinner slice and deep learning image reconstruction in contrast-enhanced abdominal CT.Eur Radiol33, 1603–1611 (2023).
[8]Sun, J., Li, H., Wang, B.et al.Application of a deep learning image reconstruction (DLIR) algorithm in head CT imaging for children to improve image quality and lesion detection.BMC Med Imaging21, 108 (2021).
[9]Seyyedi, N., Ghafari, A., Seyyedi, N.et al.Deep learning-based techniques for estimating high-quality full-dose positron emission tomography images from low-dose scans: a systematic review.BMC Med Imaging24, 238 (2024).
[10] 相清玉, 王雅妹, 王国华, 等. 基于深度学习重建算法对上腹部CT 图像质量的研究[J]. 中国医学计算机成像杂志,2022,28(02):203-207.
