深度学习重建算法AiCE在骶髂关节低剂量CT检查中的应用研究

摘要

目的探讨深度学习重建(Deep Learning Reconstruction,DLR)算法较混合迭代重建算法(Hybrid Iterative Reconstruction,HIR)在改善骶髂关节CT图像质量与降低辐射剂量中的能力。方法前瞻性纳入2021年5月至2022年3月于我院接受骶髂关节CT检查的患者共76例,均行常规剂量CT(Standard-Dose CT,SDCT)与低剂量CT(Low-Dose CT,LDCT)。SDCT采用HIR重建,LDCT采用HIR与DLR(AiCE)重建,分别表示为SD-HIR、LD-HIR和LD-DLR。计算有效剂量(Effective Dose,ED)和体型特异性扫描剂量(Size Specific Dose Estimate,SSDE)。测量并计算背景噪声(Background Noise,BN)、第一骶椎与髂骨的信噪比(Signal to Noise Ratio,SNR)与对比噪声比(Contrast to Noise Ratio,CNR)等客观指标。以Likert 5分制评分法对3组重建图像行主观评分,依据纽约骶髂关节炎分类标准对双侧骶髂关节进行分级诊断。所有患者依据体质量指数(Body Mass Index,BMI)分为正常体重、超重与肥胖三组,于各组内比较SDCT与LDCT辐射剂量以及3种重建图像间客观、主观评价间的差异。结果全部患者LDCT的平均ED、SSDE均低于SDCT(P<0.001),ED和SSDE的降低率随BMI升高而提高。3组图像的BN、SNR、CNR和主观评分均存在统计学差异(P<0.001);LD-DLR图像BN值均低于SD-HIR和LD-HIR图像,SNR和CNR值均高于SD-HIR和LD-HIR图像(P<0.05),CNR值随着BMI增加降低。LD-DLR主观评分与SD-HIR无统计学差异(P=0.808),但高于LD-HIR(P<0.001)。LD-DLR和SD-HIR图像对骶髂关节炎分级的诊断一致性优(Kappa值=0.888,P<0.001)。结论DLR算法能在降低骶髂关节CT检查辐射剂量的同时改善图像质量,满足诊断需求,有助于提高骶髂关节CT扫描的安全性。