在人工耳蜗植入手术术前诊断背景下，使用光子计数探测器CT和基于深度学习的去噪技术实现剂量减少的可行性

《Otology & Neurotology》：Feasibility of Dose Reduction in the Context of Preoperative Diagnostics in Cochlear Implant Surgery With a Photon-Counting Detector CT and Deep Learning-Supported Denoising

PCD-CT结合深度学习去噪技术可在降低辐射剂量的同时保持耳蜗管长度（CDL）测量精度，最佳剂量为50%，低于此剂量需手动辅助分割。

　　

摘要

假设：

结合深度学习去噪技术的光子计数探测器CT（PCD-CT）能够在不降低耳蜗导管长度（CDL）测量精度的前提下，显著降低耳蜗植入（CI）规划所需的辐射剂量。

背景：

CI手术中电极的最佳放置需要基于CT扫描得到的详细耳蜗解剖结构信息，但同时减少辐射暴露至关重要。本研究探讨了利用去噪算法的PCD-CT技术，以在保持诊断准确性的同时降低辐射剂量。

方法：

选取了四名无内耳畸形的遗体捐赠者，分别以100%、50%、25%、10%和5%的辐射剂量水平进行PCD-CT扫描。图像使用深度学习算法ClariAce进行去噪处理，随后通过OTOPLAN软件测量CDL值。耳科专家将自动分割结果与手动分割结果进行了比较。统计分析评估了不同剂量水平下的测量精度，并通过Bland-Altman图分析了系统误差。

结果：

在所有剂量水平下，自动分割技术均能够成功完成任务，但在剂量低于50%时失败率有所增加。在100%和50%的剂量下，CDL测量结果与金标准非常接近，仅有微小偏差（例如，在50%剂量下偏差为-0.17毫米）。当剂量低于50%时，CDL测量值被低估的情况更加明显（在25%剂量下低估了1.25毫米，在5%剂量下低估了4.0毫米）。去噪技术改善了图像质量，但在低剂量下对CDL测量精度的提升效果有限，此时手动分割效果更佳。

结论：

PCD-CT技术能够显著降低CI规划所需的辐射剂量，即使在50%的剂量下也能保证可靠的CDL测量精度。深度学习去噪技术提升了图像质量，但在剂量低于50%时效果不佳，此时仍需依赖手动分割。这些发现符合ALARA原则，并提示需要进一步优化AI算法，以提高其在CI诊断中的低剂量应用能力。