人工智能成像优化技术在冠脉CTA“双低”成像的初步应用研究

发布时间：2020-06-17 04:49

【摘要】：目的:探讨NeuViz 128CT人工智能(AI)成像优化技术对“双低”(低电压、低对比剂用量)冠脉血管成像(CCTA)图像质量的影响。方法:前瞻性连续纳入2018年5月至6月在北京协和医院行前瞻性门控CCTA检查的60例临床诊断或拟诊断冠心病患者,简单随机分为A、B两组,每组30例。管电压80 kVp为A组,对比剂用量为0.7 mL/kg;管电压120 kVp为B组,对比剂用量为70 mL。根据重建方式的不同,将A组又分为A1与A2两个亚组,A1组图像采用迭代算法重建,A2组采用AI成像优化技术优化迭代算法。B组采用迭代算法重建图像。分别以三组主动脉根部(Ao)、左冠状动脉主干(LM)、左前降支近段(LAD)、左回旋支近段(LCX)及右冠状动脉近段(RCA)感兴趣区(ROI)的平均CT值及噪声值(SD),计算信噪比(SNR)及对比噪声比(CNR)作为图像质量客观评价指标。主观评价由2名高年资放射科医生采用双盲法对冠状动脉分支及节段水平的图像质量进行4分制评价(1分-优秀,4分-极差)。记录和比较A组与B组的对比剂用量和辐射剂量(CTDIvol,DLP和ED)。结果:三组比较图像客观评价指标结果为:在Ao处,三组的噪声按A1组,B组及A2组的顺序依次降低(all P0.001),SNR及CNR按A1组,B组及A2组的顺序依次升高(all P0.001);在冠脉分支LM,LAD,LCX及RCA处,A1组噪声高于A2组和B组(all P0.001),SNR及CNR低于A2组和B组(allP0.05);A2组与B组在冠脉各分支血管噪声和SNR均无统计学差异(allP0.05),但A2组CNR高于B组(all P≤0.001)。对冠脉节段主观评分结果为A2组和B组均优于A1组(P= 0.002,0.038),且A2组与B组相比无统计学差异(P= 0.543)。A组辐射剂量指标CTDIvol,DLP及ED均低于B组(allP0.001),且ED降低达70.36%。同时,对比剂用量A组较B组降低37.11%。结论:与常规扫描相比,AI成像优化技术优化后的低剂量CCTA图像,不仅有效地降低了辐射剂量和对比剂用量,同时也保证了 CCTA的主客观图像质量及诊断可判读性。
【学位授予单位】：北京协和医学院
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R816.2;R541.4
【图文】：

专业工作,图像

逦逡逑：：ｆｅ．邋＾逦．‘．逦Ｉ邋＇邋＂邋：邋－＼＾＾，ｒ＝邋Ｉ邋＇逡逑！？邋ｆ逦ｎｆ邋？邋夺？邋咯邋９邋妒会ｊ逡逑■ｉ邋■逦？吃‘逦彳逦ｎ＇Ｈ逦２Ｄ逦ＭＰＳ逦．？＞逦Ｖ（逦Ｏｅｍａ逦ＶＡ邋Ｃｏｉｏｒｗｙ－邋｜逡逑５逦１０ＱＱ３逦２５８逦ＯｐｔｉｍｔｆｅＯ－ｉ＇Ｓ逦７５＾０％，逦■＿逡逑＝；逦，逦｜；丨p壕礤澹垮澧莭9族ｉ邋ｓ；：？邋Ｊ逡逑Ｈ；逦；逦：逦0Ａ邋ＣＨ、、Ａ邋ｅ，．，Ｍ逦—逦：＿逡逑…＾＾一＿＾＾邋＾邋ａ逦§逡逑图１东软医疗ＡＶＷ１．０．８专业工作站逡逑

专业工作

扫描结束后，将ＣＣＴＡ原始轴位图像传至东软医疗ＡＶＷ１．０．８专业工作站进行逡逑图像后处理，同时对Ａ１组６０％邋ＣｌｅａｒＶｉｅｗ＋迭代重建图像在ＡＩ成像优化技术平台逡逑上进行图像优化得到Ａ２组图像（图１、２）。该平台以２０００幅低剂量高噪声的ＣＣＴＡ逡逑图像作为训练数据输入以及对应的相同组织结构的常规剂量优质图像质量的ＣＣＴＡ逡逑图像作为训练目标，基于深层神经网络的深度学习方法得到定制化的最佳噪声模逡逑型。将待优化目标图像即Ａ１组图像，通过此定制化噪声模型即可精确地将噪声与逡逑图像的分离，得到优化后Ａ２组图像（图３邋）。此过程中应用生成对抗网络（Ｇｅｎｅｒａｔｉｖｅ逡逑Ａｄｖｅｒｓａｒｉａｌ邋Ｎｅｔｗｏｒｋｓ，ＧＡＮ）及损失函数评价模型的预测值与真实值的不一致程度，逡逑从而选取最优化模型。ＧＡＮ是一种具有特定网络结构的ＣＮＮ，它包含两个ＣＮＮ，逡逑一个叫做生成网络Ｇ邋（ＧｅｎｅｒａｔｉｖｅＮｅｔｗｏｒｋ），另一个叫做判别网络Ｄ邋（Ｄｉｓｃｒｉｍｉｎａｔｉｖｅ逡逑Ｎｅｔｗｏｒｋ），在我们的Ｃ１Ｍ氐齐用中，Ｇ网会各的作用是辅Ｉ人一（］１uP低齐Ｕ１：噪声图ｊ象逡逑ｉｍｇｌ

【参考文献】