深度学习图像重建提升儿童神经母细胞瘤双能CT血管造影中薄层低千电子伏图像质量的研究

【编辑推荐】针对儿童神经母细胞瘤(NB)血管侵犯风险因素(IDRFs)评估难题，研究人员通过深度学习图像重建(DLIR)技术优化双能CT血管造影(DECTA)中40 keV薄层(0.625 mm)图像质量。结果显示DLIR-H重建图像在对比噪声比(CNR)、边缘上升斜率(ERS)及小动脉显示方面显著优于传统ASIR-V算法，为精准评估IDRFs提供新方案。

　　

在儿童恶性肿瘤领域，神经母细胞瘤(NB)的血管侵犯评估至关重要。这项突破性研究探索了深度学习图像重建(DLIR)技术在双能CT血管造影(DECTA)中的应用奥秘。研究人员对43名2岁至7岁的NB患儿进行胸部/腹部扫描，创新性地采用高强度DLIR重建0.625 mm薄层40 keV图像(40 keV-DL-0.6 mm)，与传统ASIR-V算法重建图像展开较量。

量化分析显示，DLIR重建图像在主动脉对比噪声比(CNR)和边缘清晰度(ERS)指标上表现惊艳，肝脏噪声功率谱(NPS)幅度显著降低。更令人振奋的是，在5分量表评估中，唯有DLIR重建图像同时满足整体噪声、对比度、大小动脉显示的诊断要求。尤其在小动脉可视化方面，40 keV-DL-0.6 mm图像展现出碾压性优势(p < 0.05)。

这项研究证实，DLIR技术能有效突破传统CT重建算法的局限，为NB患儿血管侵犯风险因素(IDRFs)评估提供更精准的影像学依据。薄层低千电子伏图像结合DLIR重建的新策略，或将改写儿童神经母细胞瘤影像诊断的标准流程。