深度学习图像重建算法对胸部CT图像质量及肺实性病灶检测的影响研究

本研究针对低剂量胸部CT扫描中图像质量与病灶检测的临床需求，比较了深度学习图像重建算法(Precise Image)与迭代重建算法(iDose4 )的性能。通过30例肺实性病灶患者的回顾性分析，发现Smooth/Smoother级别显著提升对比噪声比(CNR)和主观评分，同时保持病灶尺寸测量稳定性，为肿瘤随访提供了更优的影像学工具。

　　

在肿瘤诊疗领域，患者需反复接受CT检查导致累积辐射风险，而传统迭代重建算法(iDose⁴
)虽能降低剂量却可能引入图像伪影。随着AI技术的突破，Philips Healthcare开发的深度学习图像重建算法(Precise Image)通过卷积神经网络实现了噪声抑制与分辨率保留的双重优化，但其在肺实性病灶随访中的临床价值尚未明确。

N?mes University Hospital的研究团队在《Research in Diagnostic and Interventional Imaging》发表论文，通过前瞻性纳入30例肺实性病灶患者（平均年龄70.0±9.0岁），采用100-120 kVp管电压和6.3±2.1 mGy CTDI_vol
剂量水平获取数据。研究创新性地同步应用iDose⁴
Level 4与Precise Image的Standard/Smooth/Smoother三档重建，通过客观指标（脂肪/肌肉/气管的CT值、噪声值、CNR）和主观评估（两位放射科医师双盲评分）系统比较算法性能。

【主要技术方法】
研究采用Philips Incisive CT Premium扫描仪，采集胸腹盆联合扫描数据。通过ROI测量法计算不同组织的CT值和噪声，采用Wilcoxon检验比较算法差异。样本队列为2021年12月至2022年2月连续入组的成年患者，排除标准包括年龄<18岁及不符合病灶要求的病例。

【研究结果】
3.1 患者特征
队列以结直肠癌肺转移为主（46.7%），83%病灶属于Fitton I型（未累及纵隔或胸壁）。

3.2 图像质量评估
客观数据显示，Smoother级使肌肉噪声降低50.1%（p<0.0001），CNR提升至50.9（i4为26.2）。气管CT值随重建级别递增而降低（-979→-989 HU，p<0.01）。

3.3 病灶检测
所有算法测量的病灶长轴无差异（p>0.05），证实深度学习算法未改变形态学评估。

【讨论与结论】
研究首次证实Precise Image的Smooth级在保持病灶尺寸稳定性的同时，将放射科医师的总体图像质量评分从i4的2.5分提升至3.8分（5分制）。特别值得注意的是，虽然Smoother级呈现最高CNR（81.9），但其过度平滑特性使其更适合超低剂量场景。该成果为优化肿瘤随访的辐射剂量-图像质量平衡提供了循证依据，推动深度学习重建技术从实验走向临床实践。