由胰腺期（PP）和门静脉期（PVP）组成的多期胰腺CT扫描是胰腺癌（PC）的首选筛查及随访影像学手段。PP可以看到血管、胰腺周围动脉以及其受累情况。PVP可以评估门-肠血管和检测PC的局部低密度肝转移灶。

双能量CT（DECT）是基于在不同能量水平下同时获得的两个数据集，可以在首选能量水平（40-190KeV）下创建虚拟单色图像（VMIs）。65-70KeV的VMIs对应于120千伏峰值（kVp）的单能量CT扫描获得的CT图像。DECT数据还可以创建组织分解（MD）图像，并从这些图像中获得的碘浓度（IC；mg/mL）值确定定量成像生物标志物。

深度学习图像重建（DLIR）算法，使用专门的深度神经网络，以减少背景噪声和提高图像质量。在先前的大多数研究中，DLIR较多用于单能量的CT扫描。然而现阶段，这种算法在DECT扫描中运用越来越广泛。

近日，发表在European Radiology杂志的一项研究评估了DLIR算法在胰腺DECT中的可行性，并将其图像质量、CT数字和IC值与混合IR进行了比较，为DLIR算法在临床的广泛应用提供了参考。

本研究对30名患有胰腺癌（PC）的连续参与者进行了胰腺协议DECT的初步评估。使用40%的自适应统计迭代重建-Veo（混合-IR）和中、高水平的DLIR（分别为DLIR-M和DLIR-H）在70KeV下重建DECT数据。使用5分制对PC的诊断可接受性和显着性进行定性评估。计算了腹主动脉、胰腺、PC、肝脏和门静脉的IC值、标准差（SD）和变异系数（CV）。比较了混合IR组、DLIR-M组和DLIR-H组之间的定性和定量参数。

与其他组相比，DLIR-M组对PC的诊断可接受性和显着性明显更好（P < .001-.001）。三组之间解剖结构的IC值具有可比性（p = .001-.9）。DLIR-H组的IC值的SD明显较低（p < .001），与混合IR和DLIR-M组相比，CV最低（p < .001-.002）。

图 使用(a)40%ASiR-V、(b)DLIR-M、(c)DLIR-H的70keV的VMIs，使用(d)40%ASiR-V、(e)DLIR-M和(f)DLIR-H的碘基MD图像，在同一参与者的门静脉期相图像。DLIR显示出明显图像噪声的减少。

本研究表明，DLIR算法可以显著提高图像质量，减少背景噪音，并在胰腺DECT中表现出较少的IC值变异性。

原文出处：

Yoshifumi Noda,Nobuyuki Kawai,Shoma Nagata,et al.Deep learning image reconstruction algorithm for pancreatic protocol dual-energy computed tomography: image quality and quantification of iodine concentration.DOI:10.1007/s00330-021-08121-3

 

Tags： European Radiology：深度学习算法在胰腺DECT扫描中的应用