深度学习图像重建在超低剂量鼻窦CT中的定量与定性评估：与混合迭代重建的对比研究

为解决超低剂量CT在鼻窦术前成像中的图像质量问题，研究人员开展了一项对比研究，评估深度学习图像重建(DLR)与混合迭代重建(IR)的性能。结果显示，DLR显著降低图像噪声(28.62±4.83 vs 140.70±16.04 HU，p<0.001)，提升信噪比(SNR)和对比噪声比(CNR)，并增强图像锐度(0.56±0.04 vs 0.36±0.01)，为功能性鼻内镜手术(FESS)规划提供了安全可靠的影像学方案。

　　

这项研究对超低剂量(0.03 mSv)鼻窦CT(computed tomography)的影像质量展开深度探索。通过对比深度学习图像重建(deep learning image reconstruction, DLR)和传统混合迭代重建(hybrid iterative reconstruction, IR)，科研团队发现DLR技术展现出碾压性优势：图像噪声直降80%(28.62±4.83 vs 140.70±16.04 HU)，信噪比(SNR)飙升至22.47±5.82(IR组仅9.14±2.45)，对比噪声比(CNR)更是实现6倍跃升(71.88±14.03 vs 11.81±1.50)。噪声功率谱(NPS)分析证实DLR能有效压制噪声幅度，而无参考图像锐度指标(0.56±0.04 vs 0.36±0.01)佐证了其卓越的细节保留能力。两位资深放射科医师一致认为，在骨结构显影和诊断信心度方面，DLR重建图像堪称超低剂量CT界的"高清黑科技"，为需要反复检查的鼻窦炎患者和功能性鼻内镜手术(FESS)规划筑起辐射防护的安全屏障。