公共文化服务平台

共 5 条记录，以下是 1-5

全选清除导出

排序方式：

基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估被引量：18: 2021年; 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、DLM、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。; 曾文曾令明徐旭胡斯娴刘科伶张金戈彭婉琳夏春潮李真林; 关键词：计算机断层成像降噪算法

基于神经网络对CT上腹部脏器边界识别及其临床应用中的检测效能: 2021年; 目的探讨基于神经网络模型和不同层面组合对CT上腹部影像主要脏器边界进行识别,并检测其临床实际应用效能。方法纳入2018年3月–2019年3月在我院行或包括上腹部增强CT检查且图像质量满足临床诊断要求的病例2 000例,对上腹部8个主要脏器边界层面(肝上下缘、脾上下缘、左肾下缘、右肾下缘、胃下缘和胆囊下缘)进行标注,利用不同神经网络方法和不同层面组合进行模型训练(训练集、验证集和测试集),获得边界识别的准确率,并通过识别50例临床数据检测其准确率和临床应用效能。结果两种模型按照不同权重比例整合的融合模型准确率最高,EfficientNet-b3模型次之,Xception模型最低。各模型中5层图像识别边界的准确率要高于3层图像的准确率,1层图像的准确率最低。融合模型连续5层图像获得肝上缘、肝下缘、脾上缘、脾下缘、左肾下缘、右肾下缘、胃下缘和胆囊下缘的识别准确率分别是91%、87%、92%、85%、92%、95%、76%、74%。融合模型对50例效能检测数据进行识别,获得8个层面准确率为88%、86%、88%、80%、82%、80%、69%、65%;满足临床应用各边界的准确率为98%、98%、95%、98%、99%、98%、80%、77%。结论通过增加边界在连续层面的变化逻辑,按照不同权重比例整合的融合模型识别上腹部CT各边界的准确率最高,并在临床实践中获得较高的临床检查效能。; 夏春潮张凯刘秀民蒲进彭婉琳徐旭曾令明曾文李真林; 关键词：神经网络 CT 上腹部

基于深度学习重建算法在腰椎MRI中的降噪应用研究被引量：5: 2021年; 目的探讨深度学习重建算法对腰椎MRI的降噪效果及其临床应用中的可行性。方法前瞻性地纳入临床要求行腰椎MR检查的患者53例。使用1.5T MR及脊柱线圈单元行矢状位T1加权成像(T1-Weighted Image,T1WI)、T2加权脂肪抑制成像(T2-Weighted Fat Suppressed Image,T2WI-FS)、短时间反转恢复(Short Time Inversion Recovery,STIR)序列和横断位T2WI序列扫描,获得原始图像(A组),利用常规滤波重建获得图像(B组)和深度学习重建获得图像(C组)。使用定量指标峰值信噪比(Peak Signal to Noise Ratio,PSNR)和图像锐利度评估各序列3组图像的SNR和锐利度。由两位放射医师对图像的整体质量、噪声、对比度和伪影进行评分和分析,两组评分进行一致性检验。结果与A组和B组相比,C组所有腰椎序列的PSNR值均升高(P值均<0.05),T1WI、STIR和横断位T2WI的图像锐利度值升高(P值均<0.05)。C组的T1WI的噪声、对比度分辨率和伪影以及其他序列的整体图像质量、噪声、对比度分辨率和伪影的主观评分均明显高于A、B两组(P值均<0.05)。结论深度学习重建技术在腰椎常规序列图像中的降噪效果良好,提高了图像质量,具有一定的临床应用价值。; 张雨徐旭肖奕曾令明曾文夏春潮张树恒罗曼李真林; 关键词：腰椎磁共振成像图像降噪

双能CT虚拟平扫技术临床应用及研究进展: 2023年; 虚拟平扫(VNC)技术是一种基于双能量CT成像系统的图像后处理技术,利用CT增强图像生成VNC图像,具有优化扫描流程、降低辐射剂量的优势。经硬件改进和技术优化,VNC技术现已被越来越多的临床试验和应用证实具有替代真实平扫的可能性,并在多种临床疾病的诊断与预后评估等方面占据一定的地位。本文将从VNC技术的原理、发展历程及临床应用的研究进展等方面进行综述。; 张艺腾夏春潮曾令明曾文梁泽军张雨李真林; 关键词：虚拟平扫双能量

基于深度学习的重建算法在健康志愿者肝脏低剂量薄层CT检查中的应用研究被引量：12: 2021年; 目的比较基于深度学习(deep learning,DL)的重建算法、滤波反投影(filtered back projection filtering,FBP)重建算法和迭代重建(iterative reconstruction,IR)算法,探讨DL重建算法在健康志愿者肝脏低剂量薄层CT检查中临床应用的可行性。方法采用联影160层CT对直径180 mm的标准水模进行扫描,比较DL、FBP和IR算法的噪声功率谱。前瞻性纳入健康志愿者100例,其中常规剂量组(normal dose,ND)50例、低剂量组(low dose,LD)50例。ND组采用IR算法;LD组分别采用DL、FBP和IR算法。使用单因素方差分析比较ND-IR、LD-FBP、LD-IR和LD-DL 4组的肝CT值、肝噪声、肝信噪比(signal-to-noise ratio,SNR)、对比噪声比(contrast noise ratio,CNR)和质量因数(figure of merit,FOM)。采用Kruskal-Wallis检验比较4组图像的解剖结构主观评分。结果DL噪声功率谱平均峰值最低,形态与中等迭代等级IR算法相似。ND-IR、LD-FBP、LD-IR和LD-DL的肝CT值差异无统计学意义,LD-DL的噪声低于LD-FBP、LD-IR和NDIR(P<0.05),LD-DL的SNR、CNR和FOM均高于LD-FBP、LD-IR和ND-IR(P<0.05)。LD-DL解剖结构的主观评分均与NDIR无明显差异(P>0.05),且均高于LD-FBP和LD-IR(P<0.05)。LD组相对于ND组减少约50.2%辐射剂量。结论噪声形态与临床常用的中等迭代等级IR相近的DL算法降噪能力高于IR,与FBP相比噪声形态较平滑但降噪能力大幅提高,在健康志愿者肝脏低剂量薄层CT检查中可获得肝脏常规剂量厚层CT的图像质量。; 曾令明徐旭曾文彭婉琳张金戈胡斯娴刘科伶夏春潮李真林; 关键词：图像重建

全选清除导出

共1页<1>

曾文

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户反馈

曾文

合作作者

文献类型

领域

主题

机构

作者

传媒

年份

用户登录

用户反馈