基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估

目的 为了评估基于深度学习的重建算法在胸部薄层计算机断层扫描(computed tomography,CT)图像中的降噪效果,对滤波反投影重建(filtered back projection,FBP)、自适应统计迭代重建(adaptive statistical iterative reconstruction,ASIR)与深度学习图像重建(deep learning image reconstruction,DLIR)图像进行分析.方法 回顾性纳入47例患者胸部CT平扫原始数据,利用FBP,ASIR混合重建(ASIR50％、ASIR70％),深度学习低、中、高3种模式(DL-L、DL-M、DL-H)共6种,重建出0.625 mm的图像.在每组图像的主动脉内、骨骼肌以及肺组织内分别勾画感兴趣区,测量感兴趣区内的CT值、SD值和信噪比(signal-to-noise ratio,SNR)进行客观评价,并对图像进行主观评价.结果 6种重建图像CT、SD和SNR值的差异有统计学意义(P<0.001).6种重建图像主观评分差异有统计学意义(P<0.001).DLIR在主动脉和骨骼肌处的图像噪声明显低于传统的FBP和ASIR,图像质量能够满足临床需求.而且呈现出DL-H降噪效果最佳、噪声最低,ASIR70％、DL-M、ASIR50％、DL-L、FBP图像噪声依次增加.通过主观评分的比较发现,DL-H的图像整体质量有明显的提升,但不能使肺纹理重建更清晰.结论 基于深度学习的模型能够有效减少胸部薄层CT图像的噪声,提高图像的质量.而在3种深度学习模型中,DL-H的降噪效能最佳.