基于深度学习的虚拟单能量图像的质量评估：来自单能量CT肺血管造影的数据

《Journal of Computer Assisted Tomography》：Image Quality Assessment of Deep Learning-Based Virtual Monoenergetic Images From Single-Energy CT Pulmonary Angiography

本研究利用深度学习技术从单能CT数据生成40keV虚拟单能图像，评估其在肺动脉造影中的图像质量。结果显示，DL-VME在主观评分、血管对比度及信噪比上均显著优于SECT图像，且效果不受患者性别、扫描设备及辐射剂量影响。

　　

摘要 通俗语言总结

---

目的：

低能量虚拟单能量（VME）图像在增强血管显影效果方面非常有效，但需要双能量CT（DECT）技术，这限制了其在临床上的广泛应用。深度学习（DL）的最新进展使得可以从单能量CT（SECT）数据生成VME图像。然而，这些方法在临床应用中的性能尚未经过评估。本研究的目的是评估基于深度学习的VME图像在肺部血管造影中的客观和主观图像质量。

方法：

在这项回顾性研究中，使用深度学习方法处理了52组SECT肺部血管造影图像，以生成材料基础图像。利用预训练的物理约束深度学习模型（Deep-En-Chroma），从这些SECT数据中生成了40 keV的VME图像。两位对图像重建方法不知情的胸科放射科医生使用5点李克特量表对DL-VME图像和SECT图像的血管显影效果及整体图像质量进行了评估。客观图像质量的评估指标包括血管对比度提升程度和对比度噪声比（CNR）。统计分析采用了配对t检验和Mann-Whitney U检验。

结果：

与SECT图像相比，DL-VME图像在主观图像质量评分和血管显影评分方面均显著更高（P≤0.008）。DL-VME图像显示出的栓子的平均对比度更高（1085 vs. 331 HU，P<0.001），且CNR也有所改善（17.8 vs. 11.1，P<0.001）。亚组分析结果显示，VME的性能在患者性别、扫描仪型号、辐射剂量和管电压等因素上没有显著差异。VME和SECT的血管显影评分均与患者体重有关，对于体重较轻和较重的患者，VME都能提供更好的血管显影效果。

结论：

从SECT数据生成的40 keV DL-VME图像能有效提升CT肺部血管造影的血管显影效果和图像质量。无论数据采集条件或患者参数如何变化，DL-VME在图像质量上的优势都十分稳定。

导出