深度学习重建联合对比增强提升技术在双低剂量CT肺动脉造影中的多中心前瞻性研究

来自两所医疗中心的研究人员针对低辐射和低对比剂剂量下CT肺动脉造影(CTPA)图像质量提升的临床难题，创新性采用深度学习重建(DLR)联合对比增强提升(CE-boost)技术，通过前瞻性对照试验证实：相比传统混合迭代重建(HIR)，DLR-boost方案可显著提高肺动脉信噪比(SNR)和对比噪声比(CNR)（p<0.001），诊断肺栓塞的AUC达0.986，为优化随访患者的双低剂量CTPA protocol提供了新策略。

　　

这项跨越两个医疗中心的前瞻性研究探索了革命性的影像优化方案：在疑似肺栓塞(PE)患者的CT肺动脉造影(CTPA)检查中，研究人员将深度学习重建算法(DLR)与对比剂增强优化技术(CE-boost)强强联合，挑战传统混合迭代重建(HIR)的成像极限。

研究纳入了130例受试者，随机分组接受常规剂量HIR重建或创新性的"双低剂量"方案——后者不仅降低辐射和对比剂用量，更通过DLR与CE-boost的协同作用生成HIR-boost和DLR-boost两组强化图像。定量评估显示，DLR-boost组的肺动脉CT值与常规组相当（p>0.05），但信噪比(SNR)和对比噪声比(CNR)却实现突破性提升（p<0.001）。两位资深放射科医师的盲法评分证实，DLR-boost图像在噪声控制和血管对比度方面均获最高分（5分制）。

更令人振奋的是诊断效能的飞跃：DLR-boost组检测肺栓塞的受试者工作特征曲线下面积(AUC)高达0.986，显著优于单独DLR(0.933)或HIR-boost(0.924)。这些发现为需要反复接受CTPA检查的随访患者带来了福音——在确保诊断准确性的前提下，同步降低辐射损伤和对比剂肾病的风险，实现了"鱼与熊掌兼得"的临床突破。