著名医師による解説が無料で読めます
すると翻訳の精度が向上します
目的：超分解CT（U-HRCT）では、深い学習ベースの再構成（DLR）は、空間分解能を分解することなく画像ノイズを大幅に減らすことが期待されます。腹部CTプロトコルを想定して、さまざまな放射線量での画質に対する新しいアルゴリズムの効果を評価しました。 方法：正常サイズの腹部モデルの場合、Catphan 600はU-HRCTによって100％、50％、および25％の放射線量でスキャンされました。すべての取得において、DLRは、モデルベースの反復再建（MBIR）、フィルター処理された投影（FBP）、およびハイブリッド反復再建（HIR）と比較されました。定量的評価では、CT数の標準偏差として定義された画像ノイズと、すべての再構成アルゴリズム間の空間分解能を比較しました。 結果：深い学習ベースの再構築により、各放射線量でFBPおよびHIRよりも低い画像ノイズが得られました。DLRは、100％および50％の放射線量でMBIRよりも高い画像ノイズを生成しました（100％、50％、DLR：15.4、16.9対MBIR：10.2、15.6 Hounsfield Units：Hu）。ただし、25％の放射線量では、DLRの画像ノイズはMBIR（16.7対26.6 HU）の画像ノイズよりも低かった。DLRの変調伝達関数（MTF）の10％での空間周波数は1.0サイクル/mmで、100％放射線量でMBIR（1.05サイクル/mm）の空間よりもわずかに低かった。放射線量が減少した場合でも、DLRのMTFの10％での空間周波数は有意に変化しませんでした（それぞれ50％および25％の用量、0.98および0.99サイクル/mm）。 結論：ディープラーニングベースの再構成は、評価された他のすべての市販の再構成アルゴリズムと比較して、腹部超高解像度CTの減少用量でより一貫して機能します。
目的：超分解CT（U-HRCT）では、深い学習ベースの再構成（DLR）は、空間分解能を分解することなく画像ノイズを大幅に減らすことが期待されます。腹部CTプロトコルを想定して、さまざまな放射線量での画質に対する新しいアルゴリズムの効果を評価しました。 方法：正常サイズの腹部モデルの場合、Catphan 600はU-HRCTによって100％、50％、および25％の放射線量でスキャンされました。すべての取得において、DLRは、モデルベースの反復再建（MBIR）、フィルター処理された投影（FBP）、およびハイブリッド反復再建（HIR）と比較されました。定量的評価では、CT数の標準偏差として定義された画像ノイズと、すべての再構成アルゴリズム間の空間分解能を比較しました。 結果：深い学習ベースの再構築により、各放射線量でFBPおよびHIRよりも低い画像ノイズが得られました。DLRは、100％および50％の放射線量でMBIRよりも高い画像ノイズを生成しました（100％、50％、DLR：15.4、16.9対MBIR：10.2、15.6 Hounsfield Units：Hu）。ただし、25％の放射線量では、DLRの画像ノイズはMBIR（16.7対26.6 HU）の画像ノイズよりも低かった。DLRの変調伝達関数（MTF）の10％での空間周波数は1.0サイクル/mmで、100％放射線量でMBIR（1.05サイクル/mm）の空間よりもわずかに低かった。放射線量が減少した場合でも、DLRのMTFの10％での空間周波数は有意に変化しませんでした（それぞれ50％および25％の用量、0.98および0.99サイクル/mm）。 結論：ディープラーニングベースの再構成は、評価された他のすべての市販の再構成アルゴリズムと比較して、腹部超高解像度CTの減少用量でより一貫して機能します。
PURPOSE: In an ultrahigh-resolution CT (U-HRCT), deep learning-based reconstruction (DLR) is expected to drastically reduce image noise without degrading spatial resolution. We assessed a new algorithm's effect on image quality at different radiation doses assuming an abdominal CT protocol. METHODS: For the normal-sized abdominal models, a Catphan 600 was scanned by U-HRCT with 100%, 50%, and 25% radiation doses. In all acquisitions, DLR was compared to model-based iterative reconstruction (MBIR), filtered back projection (FBP), and hybrid iterative reconstruction (HIR). For the quantitative assessment, we compared image noise, which was defined as the standard deviation of the CT number, and spatial resolution among all reconstruction algorithms. RESULTS: Deep learning-based reconstruction yielded lower image noise than FBP and HIR at each radiation dose. DLR yielded higher image noise than MBIR at the 100% and 50% radiation doses (100%, 50%, DLR: 15.4, 16.9 vs MBIR: 10.2, 15.6 Hounsfield units: HU). However, at the 25% radiation dose, the image noise in DLR was lower than that in MBIR (16.7 vs. 26.6 HU). The spatial frequency at 10% of the modulation transfer function (MTF) in DLR was 1.0 cycles/mm, slightly lower than that in MBIR (1.05 cycles/mm) at the 100% radiation dose. Even when the radiation dose decreased, the spatial frequency at 10% of the MTF of DLR did not change significantly (50% and 25% doses, 0.98 and 0.99 cycles/mm, respectively). CONCLUSION: Deep learning-based reconstruction performs more consistently at decreasing dose in abdominal ultrahigh-resolution CT compared to all other commercially available reconstruction algorithms evaluated.
医師のための臨床サポートサービス
ヒポクラ x マイナビのご紹介
無料会員登録していただくと、さらに便利で効率的な検索が可能になります。