论文部分内容阅读
目的 针对增强CT图像,采用U-Net卷积神经网络(CNN)方法生成虚拟平扫CT图像,比较其与增强CT和实际平扫CT图像的差异.方法 纳入50例于同次检查中接受平扫及增强CT扫描患者,记录其容积CT剂量指数(CTDIvol).以40例CT数据为训练集,输入增强CT图像后,以对应的平扫CT图像作为输出,用于训练U-Net神经网络;以其余10例数据作为测试集,通过训练完成的U-Net生成虚拟平扫CT图像.比较虚拟平扫CT与实际平扫及增强CT的图像及参数差异.结果 50例平扫CT平均CTDIvol为(11.67±0.51)mGy,增强CT平均CTDIvol为(13.46±0.76)mGy;采用虚拟平扫CT图像可使平均辐射剂量减少46.44％.增强与平扫CT图像的平均绝对偏差(MAE)为(32.28±2.64)HU,结构相似度(SSIM)为0.82±0.05;虚拟平扫CT与平扫CT图像的MAE为(6.72±1.31)HU,SSIM为0.98±0.02.虚拟平扫CT与平扫CT图像所示主要组织的CT值差异均无统计学意义(P均>0.05).结论 针对增强CT基于U-Net神经网络生成的虚拟平扫CT图像与实际平扫CT图像的一致性较好,可由此减少CT扫描次数、降低辐射剂量.