南方医科大学学报

作者：符 帅, 李明强, 边兆英, 马建华

单位：南方医科大学生物医学工程学院，广东 广州 510515；广州市医用放射成像与检测技术重点实验室，广东 广州 510515；琶洲实验室，广东 广州 510515

关键词：低剂量CT成像；脑出血检测；深度学习,

目的 探究低剂量CT图像重建算法对脑出血检测性能的影响。方法 对正常剂量（定义为100% dose）脑出血CT图像进行低剂量CT成像仿真，仿真剂量包括30%、25%和20% dose。采用7种CT图像重建算法进行图像重建，以实现抑制低剂量CT图像噪声，包括滤波反投影算法（FBP）、惩罚加权最小二乘的全变分（PWLS-TV）、非局部均值滤波（NLM）、3维块匹配（BM3D）、残差编码解码卷积神经网络（REDCNN）、FBP卷积神经网络（FBPConvNet）和图像恢复迭代残差卷积网络（IRLNet）。基于深度学习方法的脑出血检测模型（CNN-LSTM）对正常剂量图像和7种重建算法得到的图像进行脑出血检测。对7种重建算法与正常剂量图像的脑出血检测结果进行比较，评估不同重建算法对脑出血检测性能的影响。结果（1）对于同一算法，剂量对脑出血检测性能的影响：在30%、25%和20% dose下，FBP算法脑出血检测正确率分别为82.21%、74.61%和65.55%。（2）在相同剂量（30% dose）下，不同图像重建算法对脑出血检测性能的影响：FBP、PWLS-TV、NLM、BM3D、REDCNN、FBPConvNet和IRLNet算法的脑出血检测正确率分别为82.21%、86.80%、89.37%、81.43%、90.05%、90.72%和93.51%。（3）IRLNet算法在30%、25%和20% dose下的脑出血检测正确率分别为93.51%、93.51%和93.06%。结论 剂量和重建算法的选择对脑出血检测性能有显著影响，临床中选择合适的剂量和算法组合能在大幅度降低辐射剂量同时保证脑出血检测性能。

来源：2022年第2期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2022年第2期