基于深度学习（Deep Learning）的螺旋CT（Helical CT）靶区容积成像（VOI）技术：实现图像质量提升与辐射剂量降低的双重突破

来自多机构的研究团队开发了一种基于深度学习残差U-Net架构的VOI-Net技术，用于螺旋CT中靶区容积成像的截断伪影校正。研究通过胸部间质性肺病和肝肿瘤病例验证显示，该方法在降低71%辐射剂量的同时保持VOI内图像质量，或将图像质量提升至相当于350%更高剂量水平，显著提升病灶可见性与细微结构显示能力。

　　

通过深度学习驱动的残差U-Net架构（简称VOI-Net），研究人员成功开发出针对螺旋计算机断层扫描（Helical CT）中靶区容积成像（Volume of Interest, VOI）的截断伪影校正技术。该研究基于三类临床病例（包括间质性肺病胸部CT及两例肝肿瘤腹盆部CT）进行仿真验证，结果显示：VOI-Net可高效消除伪影（胸部CT的均方根误差为5.97±2.98 HU，肝脏病例分别为3.12±1.93 HU和3.71±1.87 HU）。在保持10厘米直径VOI内图像质量的前提下，辐射剂量较50厘米全扫描视野（Full FOV）降低71%。若保持与全视野扫描相同的总能量沉积，VOI内图像质量可达350%辐射剂量提升的等效水平。放射科医师确认该技术显著提升了磨玻璃影相关细网状结构及肝脏肿瘤病灶的辨识度。这项靶向辐射技术结合深度学习算法，标志着在不增加辐射暴露的前提下实现VOI内图像质量突破性提升的技术里程碑。