Abstract
目的
为了评估基于深度学习的重建算法在胸部薄层计算机断层扫描（computed tomography，CT）图像中的降噪效果，对滤波反投影重建（filtered back projection，FBP）、自适应统计迭代重建（adaptive statistical iterative reconstruction，ASIR）与深度学习图像重建（deep learning image reconstruction，DLIR）图像进行分析。
方法
回顾性纳入47例患者胸部CT平扫原始数据，利用FBP，ASIR混合重建（ASIR50%、ASIR70%），深度学习低、中、高3种模式（DL-L、DL-M、DL-H）共6种，重建出0.625 mm的图像。在每组图像的主动脉内、骨骼肌以及肺组织内分别勾画感兴趣区，测量感兴趣区内的CT值、SD值和信噪比（signal-to-noise ratio，SNR）进行客观评价，并对图像进行主观评价。
结果
6种重建图像CT、SD和SNR值的差异有统计学意义（P<0.001）。6种重建图像主观评分差异有统计学意义（P<0.001）。DLIR在主动脉和骨骼肌处的图像噪声明显低于传统的FBP和ASIR，图像质量能够满足临床需求。而且呈现出DL-H降噪效果最佳、噪声最低，ASIR70%、DL-M、ASIR50%、DL-L、FBP 图像噪声依次增加。通过主观评分的比较发现，DL-H的图像整体质量有明显的提升，但不能使肺纹理重建更清晰。
结论
基于深度学习的模型能够有效减少胸部薄层CT图像的噪声，提高图像的质量。而在3种深度学习模型中，DL-H的降噪效能最佳。
Keywords: 计算机断层成像, 深度学习, 降噪算法
Abstract
Objective
To evaluate the noise reduction effect of deep learning-based reconstruction algorithms in thin-section chest CT images by analyzing images reconstructed with filtered back projection (FBP), adaptive statistical iterative reconstruction (ASIR), and deep learning image reconstruction (DLIR) algorithms.
Methods
The chest CT scan raw data of 47 patients were included in this study. Images of 0.625 mm were reconstructed using six reconstruction methods, including FBP, ASIR hybrid reconstruction (ASIR50%, ASIR70%), and deep learning low, medium and high modes (DL-L, DL-M, and DL-H). After the regions of interest were outlined in the aorta, skeletal muscle and lung tissue of each group of images, the CT values, SD values and signal-to-noise ratio (SNR) of the regions of interest were measured, and two radiologists evaluated the image quality.
Results
CT values, SD values and SNR of the images obtained by the six reconstruction methods showed statistically significant difference (P<0.001). There were statistically significant differences in the image quality scores of the six reconstruction methods (P<0.001). Images reconstruced with DL-H have the lowest noise and the highest overall quality score.
Conclusion
The model based on deep learning can effectively reduce the noise of thin-section chest CT images and improve the image quality. Among the three deep-learning models, DL-H showed the best noise reduction effect.
Keywords: Computed tomography, Deep learning, The noise reduction algorithm
计算机断层扫描（computed tomography，CT）能够快速获得高质量图像，是诊断肿瘤、骨折等疾病最有效的影像学检查之一。美国国家肺癌筛查研究的结果发现，胸部CT 筛查肺癌的高危人群能极大地降低肺癌死亡率[1]。但 CT 检查具有电离辐射，多次扫描可能会对人体造成潜在的伤害。相关从业人员认为，放射科医师应当考虑使用低剂量CT 代替常规剂量胸部CT[2]。可以通过调节管电压或管电流，实现降低辐射剂量，减少多次随访的射线暴露对人体造成的危害[3]。而低剂量 CT 图像通常具有更高的噪声，在一定程度上可能影响临床诊断[4-5]。临床上常用的滤波反投影重建（filtered back projection，FBP）无法得到足够清晰的图像[6]，而迭代重建（iterative reconstruction，IR）算法也可能导致图像出现“蜡状”伪影[7]。如何在不影响临床诊断的情况下，控制图像噪声，提高图像质量，则是当前研究讨论的热点。自适应统计迭代重建（adaptive statistical iterative reconstruction，ASIR）是最早、也是研究最广泛的迭代重建技术之一，它不仅能够改善图像质量，而且能显著降低扫描所需的辐射剂量[8-9]。ASIR能够将FBP算法中获得的信息作为图像重建的初始输入图像。然后，ASIR模型使用矩阵代数将每个像素的测量值转换为新估计值，再将该像素值与噪声模型预测的理想值进行比较，在连续的迭代步骤中重复该过程，直到最终的估计像素值和理想像素值最终收敛为止[10]。该算法考虑了X射线光子统计信息和电子噪声的精确建模。ASIR技术已获得美国食品药品监督管理局的批准，可用于临床。
最近，深度学习（deep learning，DL）在医学影像领域取得许多进展，引起了广泛关注。DL能够利用多层框架结构有效地从海量数据中学习高级特征[11-12]。在图像质量提高方面，基于DL的算法性能更优于传统算法。本研究使用了GE公司先进的DL模型，该模型基于深度卷积神经网络，在图像质量、扫描辐射剂量和重建速度方面优于现有的临床常用算法。深度学习图像重建（deep learning image reconstruction，DLIR）提供了3个重建强度等级（TrueFidelity™ DL-L、DL-M、DL-H）来控制降噪量，同时保持与FBP算法相似的重建时间。3种重建强度等级中，DL-L、DL-M、DL-H降噪能力依次递增，3种模式是根据需求选择[13]。本研究通过主观评价与客观评价，比较FBP、ASIR与DLIR降噪算法所得图像，评价DL模型的降噪效果。
1. 对象和方法
1.1. 研究对象
回顾性纳入于2019年6–12月在四川大学华西医院进行胸部薄层CT扫描的患者CT图像。本研究获得四川大学华西医院生物医学伦理委员会审查通过（2019年审742号）纳入标准如下：①年龄18 ~ 85岁；②体质量指数（BMI）为18.5 ~ 32 kg/m2的患者；③临床资料齐全。排除标准如下：①有严重呼吸系统疾病，如肺炎、肺结核等；②图像质量差，无法进行准确的数据测量。
根据纳入排除标准，本研究纳入47例受试者，其中男性22例，女性25例；平均年龄（45.13±13.25）岁，男性（43.45±12.70）岁；女性（46.60±13.80）岁；BMI（23.45±3.77） kg/m2，男性（26.05±4.98） kg/m2；女性（22.60±1.98） kg/m2。
1.2. 研究方法
1.2.1. CT扫描方案
所有患者扫描均使用美国通用电气公司256排宽体探测器CT（Revolution，General Engine，GE，America）进行。胸部CT平扫图像使用螺旋扫描，螺距0.5 mm、球管转速0.5 s，管电压100 kV、自动管电流调制，设定噪声指数（noise index，NI）为19，扫描层厚为0.625 mm。
患者在CT扫描前进行吸气屏气训练，以减少呼吸运动，去除胸部颈部的金属物品。在检查过程中，患者呈仰卧位，手臂举过头顶。在屏气时从胸廓入口扫描至肋膈角下2 cm。
1.2.2. 算法训练
基于DL的TrueFidelity算法将训练数据集成到一个深度神经网络（deep neural networks，DNN）中，该DNN由多层框架构成，通过输入低剂量正弦图和图像数据离线训练DNN系数[9]，并将输出的图像与接近理想条件下获得的图像进行对比（例如高剂量、完整的采样轨迹和高分辨率的图像矩阵），比较图像噪声、噪声纹理、密度分辨力和空间分辨力，通过DNN不断对图像进行优化，减少输出图像与标准图像之间的差异。经过大量的数据重复训练该模型，确保算法的鲁棒性[13]。训练过程如图1。
图 1.
The algorithm training process flowchart
算法训练流程
1.2.3. 图像重建方案
分别使用FBP、ASIR及DLIR的方法重建患者的扫描原始数据，其中ASIR采用ASIR50%、ASIR70%两种混合重建方式，DLIR采用DL-L、DL-M、DL-H这3种重建方式。重建层厚为0.625 mm，重建模式为STAND。47例患者原始数据经过以上6种重建方法共生成了282幅图像序列。重建及评价过程见图2。
图 2.
Flowchart of the study
研究流程图
1.2.4. CT值、SD值及信噪比（signal-to-noise ratio，SNR）值客观评价
每例患者重建后获得6种降噪图像，所有的图像被传输到GE工作站（General Engine Advantage Workstation 4.7），患者的个人信息及扫描、重建信息都被隐藏。设置纵隔窗的窗宽为350 HU，窗位为50 HU；肺窗窗宽1 500 HU，窗位−800 HU。在纵隔窗横断图像上的主动脉处，不触及管腔壁勾画大小约为100 mm2的感兴趣区，为主动脉区（ROI1）。在右侧冈上肌处，不触及骨骼勾画大小约为100 mm2的感兴趣区，为骨骼肌区（ROI2）。在肺窗上右肺上叶正常肺组织区域内，避开支气管和较大血管，放置约100 mm2的感兴趣区，为肺纹理区（ROI3）。测量ROI内的CT值和 SD值。SNR使用以下公式计算可得：SNR=CT值/SD值。
1.2.5. 主观评价
由两名放射科医师（分别具有3年和5年工作经验）采用盲法和随机的方式独立评估全部图像。采用5分制评价整体图像质量（1分=肺纹理分级不清，纵隔大血管对比度模糊，图像不清；2分=肺纹理分级模糊，纵隔大血管对比度较模糊，图像粗糙；3分=肺纹理分级欠清楚，纵隔大血管对比度欠清晰，图像欠细腻；4分=肺纹理分级较清楚，纵隔大血管对比度较清晰，图像较细腻；5分=肺纹理分级清楚，纵隔大血管对比度清晰，图像细腻）。采用李克特5分法对图像噪声进行评价（1=完全可接受图像噪声，2=小于平均噪声，3=平均噪声，4=高于平均噪声，5=不可接受图像噪声）。每种伪影也采用5分法进行评分（1=没有伪影，2=伪影较小不影响组织结构，3=对结构有轻微影响，4=伪影较大，影响主要结构，5=伪影极重，图像不能接受）。
1.3. 统计学方法
符合正态分布的定量数据利用重复测量单因素方差分析比较图像CT值、噪声和SNR的大小。采用Friedman秩和检验比较整体图像质量、噪声、伪影的主观评分。采用Cohen’s kappa检验评价两名放射科医师对图像质量评分的一致性：① κ值为0~0.20，一致性较低；② κ值为0.21~0.40，一致性一般；③ κ值为0.41~0.60，一致性中等；④ κ值为0.61~0.80，一致性高；⑤ κ值为0.81~1.00，一致性非常高。P<0.05为差异有统计学意义。
2. 结果
2.1. 重建图像CT值分析
CT值分析结果见表1。在患者的轴位CT图像上，在三处ROI中通过FBP、ASIR50%、ASIR70%、DL-L、DL-M、DL-H这6种重建方式所得图像CT值经单因素方差分析，差异有统计学意义（P<0.05）。但在ROI1和ROI2处，经过FBP、ASIR50%与ASIR70%这3种重建方法所得CT值间的差异无统计学意义。在3处ROI中，经DL-L、DL-M与DL-H这3种重建方法所得CT值间的差异无统计学意义。
表 1. CT values of six kinds of reconstruction images (n=47) .
六种重建图像的CT值分析（n=47）
| Rebuild method | ROI1/HU | ROI2/HU | ROI3/HU |
| ROI1: Region of interest in aorta; ROI2: Region of interest in muscle; ROI3: Region of interest in lung tissue. | |||
| FBP | 45.33±8.47 | 64.31±5.83 | −877.35±24.34 |
| ASIR50% | 45.32±8.39 | 64.19±5.62 | −877.13±24.06 |
| ASIR70% | 45.19±8.34 | 64.14±5.57 | −877.18±24.00 |
| DL-L | 45.98±7.97 | 64.75±5.17 | −877.16±24.59 |
| DL-M | 46.06±7.85 | 64.72±5.01 | −877.33±24.00 |
| DL-H | 46.00±7.71 | 64.70±4.83 | −876.04±23.99 |
| P | <0.001 | 0.003 | <0.001 |
2.2. 重建图像SD值分析
见表2。通过单因素方差分析发现，6种重建方式所得SD值之间差异有统计学意义（P<0.05）。在ROI3处，ASIR和DL重建图像的SD值与FBP重建图像相比降低（P<0.001），但是在ASIR50%、DL-M与DL-H三组之间SD值差异无统计学意义，ASIR70%重建图像分别与DL-L、DL-M、DL-H重建图像比较，差异无统计学意义，且DL-M和DL-H两种重建图像之间SD值改变较小（P=1.000）。
表 2. SD values of six kinds of reconstruction images (n=47) .
六种重建图像的SD值分析（n=47）
| Rebuild method | ROI1/HU | ROI2/HU | ROI3/HU |
| ROI1: Region of interest in aorta; ROI2: Region of interest in muscle; ROI3: Region of interest in lung tissue. | |||
| FBP | 24.45±2.79 | 24.84±2.67 | 36.04±11.07 |
| ASIR50% | 16.53±2.68 | 17.20±2.12 | 34.12±12.62 |
| ASIR70% | 13.25±2.03 | 14.35±2.09 | 33.58±13.29 |
| DL-L | 18.17±2.40 | 19.58±2.65 | 32.95±13.46 |
| DL-M | 14.40±1.95 | 15.99±2.23 | 33.73±14.58 |
| DL-H | 10.36±1.58 | 12.22±1.86 | 33.72±14.37 |
| P | <0.001 | <0.001 | <0.001 |
2.3. 重建图像SNR值分析
SNR值分析结果见表3，6组SNR值差异均有统计学意义（P<0.001）。但在ROI3处，ASIR70%、DL-L、DL-M与DL-H4组之间差异无统计学意义，而FBP与各组差异均有统计学意义（P<0.05）。
表 3. SNR values of six kinds of reconstruction images (n=47) .
六种重建图像的SNR值分析（n=47）
| Rebuild method | ROI1 | ROI2 | ROI3 |
| ROI1: Region of interest in aorta; ROI2: Region of interest in muscle; ROI3: Region of interest in lung tissue. | |||
| FBP | 1.88±0.41 | 2.61±0.33 | 26.65±8.32 |
| ASIR50% | 2.80±0.65 | 3.79±0.55 | 29.72±12.27 |
| ASIR70% | 3.49±0.83 | 4.57±0.77 | 31.15±14.56 |
| DL-L | 2.57±0.55 | 3.35±0.43 | 32.06±15.36 |
| DL-M | 3.25±0.69 | 4.11±0.54 | 32.59±18.11 |
| DL-H | 4.53±0.97 | 5.39±0.76 | 31.59±15.29 |
| P | <0.001 | <0.001 | <0.001 |
2.4. 主观评分及其一致性评价
图像整体质量、图像噪声、图像伪影评分结果见表4。两位放射科医师认为FBP重建后图像整体质量差于ASIR和DL（P<0.001），图像噪声较高，伪影明显。但ASIR50%与DL-L之间图像整体质量差异无统计学意义，ASIR70%与DL-M之间图像整体质量差异无统计学意义。见图3~图4。DL-H重建图像整体质量最佳，噪声最低。但两医师都认为该算法在肺纹理处的降噪效果不明显，经过DL重建不能使得图像质量更清晰。见图5。两医师之间的主观评分具有较好的一致性（κ=0.544~0.921）。
表 4. The image quality scores of the two radiologists (n=47) .
两名放射科医师图像质量评分结果（n=47）
| ltem | FBP | ASIR50% | ASIR70% | DL-L | DL-M | DL-H |
| ROI1: Region of interest in aorta; ROI2: Region of interest in muscle; ROI3: Region of interest in lung tissue. | ||||||
| Overall image quality/scores | ||||||
| Reader 1 | 1.85±0.36 | 2.89±0.31 | 3.83±0.38 | 2.96±0.20 | 3.85±0.36 | 4.81±0.40 |
| Reader 2 | 1.87±0.34 | 2.91±0.28 | 3.81±0.40 | 2.89±0.31 | 3.87±0.34 | 4.74±0.44 |
| Noise/scores | ||||||
| Reader 1 | 4.28±0.45 | 3.30±0.46 | 2.23±0.43 | 3.21±0.41 | 2.17±0.38 | 1.17±0.38 |
| Reader 2 | 4.30±0.46 | 3.26±0.44 | 2.21±0.41 | 3.23±0.43 | 2.17±0.38 | 1.19±0.40 |
| Artifact/scores | ||||||
| Reader 1 | 4.06±0.25 | 3.09±0.28 | 2.09±0.28 | 3.04±0.20 | 2.04±0.20 | 1.05±0.21 |
| Reader2 | 4.09±0.28 | 3.11±0.31 | 2.06±0.25 | 3.06±0.25 | 2.09±0.28 | 1.06±0.25 |
图 3.
A 62-year-old man underwent thin-section CT chest scan, and six images were obtained with FBP, ASIR50%, ASIR70%, DL-L, DL-M, and DL-H reconstruction
62岁男性行胸部薄层CT扫描，FBP、ASIR50%、ASIR70%、DL-L、DL-M、DL-H重建图像
图 4.
A 62-year-old man underwent thin-section CHEST CT scan. With six reconstruction methods, including FBP, ASIR50%, ASIR70%, DL-L, DL-M, and DL-H, a magnified view of local musculoskeletal was obtained
62岁男性行胸部薄层CT扫描，经过FBP、ASIR50%、ASIR70%、DL-L、DL-M、DL-H重建后骨骼肌局部放大图
图 5.
A thin section CT scan of the chest of a 65-year-old woman revealed a 1 cm ground glass nodule in the upper lobe of the right lung. The scan data were reconstructed in six ways, and a local magnified view of the lung nodule was shown
65岁女性胸部薄层CT扫描发现右肺上叶1 cm磨玻璃结节，扫描数据经过6种方式重建后，肺结节的局部放大图
3. 讨论
本研究结果表明，DLIR在主动脉和骨骼肌处的图像噪声明显低于传统的FBP和ASIR，图像质量能够满足临床需求。而且呈现出DL-H降噪效果最佳，噪声最低，ASIR70%、DL-M、ASIR50%、DL-L、FBP 图像噪声依次增加的结果。但部分重建方式在肺组织内的降噪效果没有明显差异，比如ASIR50%与DL-M、DL-H之间，ASIR070%与3种DLIR之间差异无统计学意义。通过主观评分的比较，DL-H的图像整体质量有明显的提升，但肺组织内部纹理没有明显差异，所以不能使得肺纹理重建更清晰。评估图像CT值结果发现，6种降噪算法之间的CT值出现细微差别。进一步两两比较，ASIR图像的CT值与FBP间差异无统计学意义，3种DL算法之间CT值也无明显差异。而DLIR所得图像CT值与FBP相比虽然差异不大，但有统计学意义。这可能是算法导致的，本研究采用的DLIR直接采用原始数据降噪生成图像，与ASIR混合FBP降噪方式的原理有所不同，所以结果呈现出ASIR与FBP图像CT值无明显差异，而3种DL算法CT值相对的变化更大。DLIR在训练模型时，直接使用FBP重建图像作为训练标准，所以DLIR不会因为CT值的细微改变，而影响组织结构的辨识失真。相反，因为噪声的明显降低，对微小病变的诊断更有潜在优势。
近年来，迭代重建技术逐渐被引入图像降噪的领域。与FBP相比，ASIR技术的调制传递函数（空间分辨率的客观测量）没有区别[14]。目前的一系列研究也观察到 ASIR 较 FBP 有更好的图像质量[15-17]。而随着人工智能在医疗领域的爆炸性发展，研究者得到了一种更先进的，基于DL模型重建方法，并试图通过DL来解决以往降噪算法不能有效提高图像质量的问题[18]。与其他传统方法相比，使用DL架构模型重建出的CT图像，其噪声明显降低，图像质量获得改善，并且可以在不影响图像质量的情况下显著降低辐射剂量，进一步提高某些细微病变的检出率[19-21]。SINGH等[22]研究针对超低剂量CT诊断胸部与腹部结节病灶，比较了DL、IR和FBP算法之间重建图像质量的差异，结果发现与商用迭代重建算法和FBP相比，在超低剂量胸部和腹部CT中，基于DL的重建算法对图像质量和病灶检出的优势更明显。GREFFIER等[4]利用了本研究中使用的模型进行了一项体模研究，通过计算可检测指数来模拟肝脏中一个较大肿块、一个小钙化灶和一个微小的低对比度病变，比较FBP、ASIR-V50%、ASIR-V100%重建和DLIR的3种规格（即低、中、高）这6种重建方式，发现新的DLIR算法在不改变噪声纹理的情况下降低了噪声，提高了空间分辨率和病灶的检出能力。用DLIR获得的图像比用IR获得的图像具有更大的剂量优化潜力。
本研究仍然存在局限性。首先，该研究仅关注了常规剂量下，基于DL的模型重建的胸部CT图像质量，没有探讨该算法对低剂量CT图像质量的改善，以及在临床实践中，对于胸部CT检测剂量的降低作用。在进一步的研究中将讨论基于DL算法对于低剂量胸部CT图像的降噪效能。第二，两名放射科医师在不知道图像信息的情况下，采用盲法对图像质量进行评估，但6种算法重建出的图像具有明显特征，仍存在主观偏见。且两名放射科医师因工作经验的增加，对图像整体质量的评估有个人的偏好。第三，本研究样本量较小，纳入研究的人数较少，还需要收集更多数据进行大样本分析，使目前的研究结果更具有说服力。
综上，通过DL的降噪方式，能够有效降低胸部CT图像噪声，提高图像质量，而且基于DL的降噪模型还能被用于解决其他成像问题，如减少图像伪影等。虽然本研究没有评估DL在胸部薄层CT平扫中降低辐射剂量的能力，但降低CT扫描的辐射剂量并提高图像质量，是未来研究的重要方向。
Funding Statement
四川省科技计划项目（No. 2019YFS0522）和四川大学华西医院学科卓越发展1·3·5工程项目（No. ZYGD18019）资助
Contributor Information
文 曾 (Wen ZENG), Email: zengwen2020@163.com.
真林 李 (Zhen-lin LI), Email: HX_lizhenlin@126.com.
References
- 1.ABERLE D R, BERG C D, BLACK W C, et al The National Lung Screening Trial: overview and study design. Radiology. 2011;258(1):243–253. doi: 10.1148/radiol.10091808. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 2.ABERLE D R, ADAMS A M, BERG C D, et al Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011;365(5):395–409. doi: 10.1056/NEJMoa1102873. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 3.KIM M J, PARK C H, CHOI S J, et al Multidetector computed tomography chest examinations with Low-Kilovoltage protocols in adults. J Comput Assist Tomogr. 2009;33(3):416–421. doi: 10.1097/RCT.0b013e318181fab5. [DOI] [PubMed] [Google Scholar]
- 4.GREFFIER J, MACRI F, LARBI A, et al Dose reduction with iterative reconstruction: optimization of CT protocols in clinical practice. Diagn Interv Imaging. 2015;96(5):477–486. doi: 10.1016/j.diii.2015.02.007. [DOI] [PubMed] [Google Scholar]
- 5.MACRI F, GREFFIER J, PEREIRA F, et al Value of ultra-low-dose chest CT with iterative reconstruction for selected emergency room patients with acute dyspnea. Eur J Radiol. 2016;85(9):1637–1644. doi: 10.1016/j.ejrad.2016.06.024. [DOI] [PubMed] [Google Scholar]
- 6.EHMAN E C, YU L, MANDUCA A, et al Methods for clinical evaluation of noise reduction techniques in abdominopelvic CT. Radiographics. 2014;34(4):849–862. doi: 10.1148/rg.344135128. [DOI] [PubMed] [Google Scholar]
- 7.GEYER L L, SCHOEPF U J, MEINEL F G, et al State of the art: iterative CT reconstruction techniques. Radiology. 2015;276(2):339–357. doi: 10.1148/radiol.2015132766. [DOI] [PubMed] [Google Scholar]
- 8.SINGH S, KALRA M K, HSIEH J, et al Abdominal CT: comparison of adaptive statistical iterative and filtered back projection reconstruction techniques. Radiology. 2010;257(2):373–383. doi: 10.1148/radiol.10092212. [DOI] [PubMed] [Google Scholar]
- 9.VARDHANABHUTI V, ILYAS S, GUTTERIDGE C, et al Comparison of image quality between filtered back-projection and the adaptive statistical and novel model-based iterative reconstruction techniques in abdominal CT for renal calculi. Insights Imaging. 2013;4(5):661–669. doi: 10.1007/s13244-013-0273-5. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 10.SILVA A C, LAWDER H J, HARA A, et al Innovations in CT dose reduction strategy: application of the adaptive statistical iterative reconstruction algorithm. AJR Am J Roentgenol. 2010;194(1):191. doi: 10.2214/AJR.09.2953. [DOI] [PubMed] [Google Scholar]
- 11.WANG G, KALRA M, ORTON C G Machine learning will transform radiology significantly within the next 5 years. Med Phys. 2017;44(6):2041–2044. doi: 10.1002/mp.12204. [DOI] [PubMed] [Google Scholar]
- 12.LECUN Y, BENGIO Y, HINTON G Deep learning. Nature. 2015;521(7553):436–444. doi: 10.1038/nature14539. [DOI] [PubMed] [Google Scholar]
- 13.GREFFIER J, HAMARD A, PEREIRA F, et al Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study. Eur Radiol. 2020;30(7):3951–3959. doi: 10.1007/s00330-020-06724-w. [DOI] [PubMed] [Google Scholar]
- 14.PRAKASH P, KALRA M K, DIGUMARTHY S R, et al Radiation dose reduction with chest computed tomography using adaptive statistical iterative reconstruction technique: initial experience. J Comput Assist Tomogr. 2010;34(1):40–45. doi: 10.1097/RCT.0b013e3181b26c67. [DOI] [PubMed] [Google Scholar]
- 15.左雪石, 唐慧, 刘振堂, 等 Revolution CT低剂量联合ASIR-V在胸部扫描相关性研究. 影像诊断与介入放射学. 2019;28(2):134–138. doi: 10.3969/j.issn.1005-8001.2019.02.010. [DOI] [Google Scholar]
- 16.张喜荣, 贺太平, 贾永军, 等 低辐射剂量下FBP、ASIR和ASIR-V 3种不同重建算法对上腹部CT图像质量的影响. 中国中西医结合影像学杂志. 2020;18(3):305–308. doi: 10.3969/j.issn.1672-0512.2020.03.027. [DOI] [Google Scholar]
- 17.KALRA M K, MAHER M M, SAHANI D V, et al Low-dose CT of the abdomen: evaluation of image improvement with use of noise reduction filters pilot study. Radiology. 2003;228(1):251–256. doi: 10.1148/radiol.2281020693. [DOI] [PubMed] [Google Scholar]
- 18.WILLEMINK M J, NOEL P B The evolution of image reconstruction for CT-from filtered back projection to artificial intelligence. Eur Radiol. 2019;29(5):2185–2195. doi: 10.1007/s00330-018-5810-7. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 19.LENFANT M, CHEVALLIER O, COMBY P, et al Deep learning versus iterative reconstruction for CT pulmonary angiography in the emergency setting: improved image quality and reduced radiation dose. Diagnostics (Basel) 2020;10(8):558[2021-02-03]. https://doi.org/10.3390/diagnostics10080558. doi: 10.3390/diagnostics10080558. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 20.JENSEN C T, LIU X M, TAMM E P, et al Image quality assessment of abdominal CT by use of new deep learning image reconstruction: initial experience. AJR Am J Roentgenol. 2020;215(1):50–57. doi: 10.2214/AJR.19.22332. [DOI] [PubMed] [Google Scholar]
- 21.SOLOMON J, LYU P J , MARIN D , et al Noise and spatial resolution properties of a commercially available deep learning-based CT reconstruction algorithm. Med Phys. 2020;47(9):3961–3971. doi: 10.1002/mp.14319. [DOI] [PubMed] [Google Scholar]
- 22.SINGH R, DIGUMARTHY S R, MUSE V V , et al Image quality and lesion detection on deep learning reconstruction and iterative reconstruction of submillisievert chest and abdominal CT. AJR Am J Roentgenol. 2020;214(3):566–573. doi: 10.2214/AJR.19.21809. [DOI] [PubMed] [Google Scholar]