论文部分内容阅读
目的探讨基于深度学习的像素闪烁算法(PS)对提升高身体质量指数(BMI)者Revolution CT单能量图像质量中的价值。方法回顾性分析行Revolution CT能谱成像(GSI)检查的患者资料,首先选取行腹部平扫的高BMI(≥25 kg/m~2)患者共38例,测量其肝门水平腹部皮下脂肪噪声(SD)值,计算皮下脂肪的SD均值,选取高于平均值(6 HU)的患者共20例,并排除弥漫性肝脏病变(脂肪肝、肝硬化等)、右肾占位性病变(病灶体积大于右肾体积的1/2)、图像有呼吸运动伪影的患者5例。最终入组病例15例,男7例,女8例,年龄48~81岁,平均(62±9)岁,BMI 25~34 kg/m~2,平均BMI为(28±3)kg/m~2。扫描参数:GSI成像模式,螺距0.992,转速0.8 s/r,探测器宽度80 mm,140~80 k Vp瞬时(0.5 ms)切换,管电流320~400 m A,层厚5 mm,层间距5 mm,重组方法50%自适应统计迭代重组(ASIR-V)。重组得到70 ke V单能量图像。在GE AW 4.6工作站应用PS软件A7模式后处理,获得的PS图像。将处理前后的图像分为A组(PS前)、B组(PS后)。由2名放射科医师(诊断经验分别为5年和3年)采用双盲法对两组图像进行测量。测量肝门水平肝右叶、右侧肾门水平肾脏、右侧肝门水平腹部皮下脂肪的CT值以及腹部皮下脂肪的SD值,并分别计算肝脏、肾脏实质的信噪比(SNR)和对比噪声比(CNR)。采用Shapiro-Wilk检验数据的正态性。采用Levene检验分析数据的方差齐性。应用Spearman相关分析检验2名观察者所测得数据的一致性,若一致性良好则取年资高者所测得的数据进行后续的统计分析。采用秩和检验比较两组肝右叶、右侧肾脏、腹部皮下脂肪CT值、腹部皮下脂肪的SD值以及肝脏、肾脏的CNR值和SNR值。结果两组数据一致性良好。两组间肝脏、肾脏、皮下脂肪CT值差异无统计学意义(P>0.05);两组间皮下脂肪SD值分别为7.83 HU(6.93,9.32)、2.47 HU(2.27,2.97),差异具有统计学意义(P<0.05),B组SD值较A组相比降低了约68%;两组间肝脏、肾脏的SNR值和CNR值分别为7.51(5.90,8.13)、21.09(18.16,24.31)、4.55(3.92,5.12)、18.29(15.95,21.46)和23.11(18.95,23.11)、67.15(54.18,73.77)、13.89(11.78,15.51)、57.96(48.75,64.48),差异具有统计学意义(P<0.05),B组肝脏、肾脏的CNR、SNR约是A组的3倍。结论基于深度学习PS可以减少图像噪声,增加图像的CNR,从而提升高BMI者Revolution CT GSI的单能量图像质量。