深度学习与传统重建方法在大脑计算机断层扫描（CT）衰减值比较中的无偏方法

《Journal of Computer Assisted Tomography》：Comparison of Brain Computed Tomography Attenuation Values Between Deep-Learning and Conventional Reconstruction Methods: A Bias-Free Approach

　　

摘要 通俗语言摘要

---

目的：

研究深度学习重建（DLR）与传统重建方法在脑部计算机断层扫描（CT）衰减方面的差异，采用无偏方法进行比较。

方法：

研究纳入了27名参与者（11名男性和16名女性；平均年龄46.4岁）的未增强脑部CT扫描数据，这些参与者没有脑部异常。扫描结果使用四种方法进行重建：混合迭代重建（Hybrid-IR）、DLR_mild、DLR_standard和DLR_strong。所有CT图像均转换为蒙特利尔神经学研究所坐标系，通过22个白质区域和10个灰质区域测量CT衰减值和信噪比（SNR）。同时测量了左右侧脑室的边缘上升距离（ERD）。

结果：

混合迭代重建（Hybrid-IR）与深度学习重建（DLR）在白质（R=0.953至0.964）和灰质（R=0.914至0.943）区域的衰减值之间存在强相关性。Bland-Altman分析显示，DLR的衰减值高于Hybrid-IR，白质的平均偏差为2.27至2.40，灰质的平均偏差为1.78至1.84。DLR_strong的信噪比中位数最高，其次是DLR_standard、DLR_mild和Hybrid-IR。DLR_mild的边缘上升距离中位数最低（2.86像素），其次是DLR_standard（3.27）、Hybrid-IR（3.27）和DLR_strong（3.55）。Freedman检验表明重建方法之间存在显著差异（P=0.0080）。

结论：

混合迭代重建（Hybrid-IR）与深度学习重建（DLR）的衰减值具有强相关性，且DLR显示出更高的衰减值。

下载