Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật toán tái cấu trúc CT: Đánh giá chất lượng hình ảnh dựa trên nhiệm vụ
Tóm tắt
Để đánh giá hiệu suất liều lượng về chất lượng hình ảnh của phương pháp chiếu ngược đã lọc (FBP) và hai thế hệ thuật toán tái cấu trúc lặp (IR) được phát triển bởi các nhà cung cấp CT phổ biến nhất. Chúng tôi đã sử dụng bốn hệ thống CT được trang bị thuật toán IR hỗn hợp/thống kê (H/SIR) và các mô hình IR dựa trên mô hình đầy đủ/một phần/cải tiến (MBIR). Việc thu thập dữ liệu được thực hiện trên một mẫu vật ACR ở năm mức liều lượng khác nhau. Dữ liệu thô được tái cấu trúc bằng cách sử dụng một nhân mô mềm tiêu chuẩn cho FBP và một cấp lặp của hai thế hệ thuật toán IR. Phổ công suất nhiễu (NPS) và hàm chuyển đổi dựa trên nhiệm vụ (TTF) đã được tính toán. Một chỉ số phát hiện (d′) được tính toán để mô hình hóa nhiệm vụ phát hiện của một khối lớn trong gan (đặc điểm lớn; 120 HU và đường kính 25 mm) và một vôi hóa nhỏ (đặc điểm nhỏ; 500 HU và đường kính 1,5 mm). Với H/SIR, các giá trị d′ cao nhất cho cả hai đặc điểm được tìm thấy cho Siemens, sau đó là Canon và các giá trị thấp nhất cho Philips và GE. Đối với đặc điểm lớn, sự giảm liều tiềm năng với MBIR so với H/SIR lần lượt là -35% cho GE, -62% cho Philips, và -13% cho Siemens; đối với đặc điểm nhỏ, các mức giảm tương ứng là -45%, -78%, và -14%. Với hệ thống Canon, sự giảm liều tiềm năng là -32% chỉ được quan sát cho đặc điểm nhỏ với MBIR so với thuật toán H/SIR. Đối với đặc điểm lớn, liều lượng tăng lên 100%. So sánh đa nhà cung cấp của nhiều phiên bản thuật toán IR cho phép so sánh sự tiến hóa khác nhau trong từng nhà cung cấp. Việc sử dụng d′ rất phù hợp và mạnh mẽ cho quá trình tối ưu hóa.
• Hiệu suất của bốn hệ thống CT đã được đánh giá bằng cách sử dụng phần mềm imQuest để đánh giá đặc tính nhiễu, độ phân giải không gian và phát hiện tổn thương.
• Hai hàm nhiệm vụ được định nghĩa để mô hình hóa nhiệm vụ phát hiện khối lớn trong gan và một vôi hóa nhỏ.
• Ưu điểm của việc đánh giá chất lượng hình ảnh dựa trên nhiệm vụ cho các bác sĩ chẩn đoán hình ảnh là nó không chỉ bao gồm các thông số phức tạp, mà còn chất lượng hình ảnh có ý nghĩa lâm sàng.
Từ khóa
Tài liệu tham khảo
Katsura M, Matsuda I, Akahane M et al (2012) Model-based iterative reconstruction technique for radiation dose reduction in chest CT: comparison with the adaptive statistical iterative reconstruction technique. Eur Radiol 22:1613–1623
Larbi A, Orliac C, Frandon J et al (2018) Detection and characterization of focal liver lesions with ultra-low dose computed tomography in neoplastic patients. Diagn Interv Imaging 99:311–320
Macri F, Greffier J, Pereira F et al (2016) Value of ultra-low-dose chest CT with iterative reconstruction for selected emergency room patients with acute dyspnea. Eur J Radiol 85:1637–1644
Yamada Y, Jinzaki M, Hosokawa T et al (2012) Dose reduction in chest CT: comparison of the adaptive iterative dose reduction 3D, adaptive iterative dose reduction, and filtered back projection reconstruction techniques. Eur J Radiol 81:4185–4195
Yan C, Xu J, Liang C et al (2018) Radiation dose reduction by using CT with iterative model reconstruction in patients with pulmonary invasive fungal infection. Radiology. 288:285–292
Patino M, Fuentes JM, Hayano K, Kambadakone AR, Uyeda JW, Sahani DV (2015) A quantitative comparison of noise reduction across five commercial (hybrid and model-based) iterative reconstruction techniques: an anthropomorphic phantom study. AJR Am J Roentgenol 204:W176–W183
Viry A, Aberle C, Racine D et al (2018) Effects of various generations of iterative CT reconstruction algorithms on low-contrast detectability as a function of the effective abdominal diameter: a quantitative task-based phantom study. Phys Med 48:111–118
McCollough CH, Chen GH, Kalender W et al (2012) Achieving routine submillisievert CT scanning: report from the summit on management of radiation dose in CT. Radiology 264:567–580
Thibault JB, Sauer KD, Bouman CA, Hsieh J (2007) A three-dimensional statistical approach to improved image quality for multislice helical CT. Med Phys 34:4526–4544
Verdun FR, Racine D, Ott JG et al (2015) Image quality in CT: from physical measurements to model observers. Phys Med 31:823–843
Samei E, Richard S (2015) Assessment of the dose reduction potential of a model-based iterative reconstruction algorithm using a task-based performance metrology. Med Phys 42:314–323
Willemink MJ, Noël PB (2019) The evolution of image reconstruction for CT-from filtered back projection to articial intelligence. Eur Radiol 29:2185–2195
IEC. 60601–2-44 (2002) Medical electrical equipment –. Part 2–44: Particular requirements for the safety of. X-ray equipment for computed tomography. Edition 2.1
Solomon J, Zhang Y, Wilson J, Samei E (2018) An automated software tool for task-based image quality assessment and matching in clinical CT using the TG-233 Framework, Med Phys 45:E134 - E134
Christianson O, Chen JJ, Yang Z et al (2015) An improved index of image quality for task-based performance of CT iterative reconstruction across three commercial implementations. Radiology 275:725–734
Richard S, Husarik DB, Yadava G, Murphy SN, Samei E (2012) Towards task-based assessment of CT performance: system and object MTF across different reconstruction algorithms. Med Phys 39:4115–4122
Burgess AE, Li X, Abbey CK (1997) Visual signal detectability with two noise components: anomalous masking effects. J Opt Soc Am A Opt Image Sci Vis 14:2420–2442
Burgess AE, Wagner RF, Jennings RJ, Barlow HB (1981) Efficiency of human visual signal discrimination. Science 214:93–94
Eckstein M, Bartroff J, Abbey C, Whiting J, Bochud F (2003) Automated computer evaluation and optimization of image compression of x-ray coronary angiograms for signal known exactly detection tasks. Opt Express 11:460–475
Ishida M, Doi K, Loo LN, Metz CE, Lehr JL (1984) Digital image processing: effect on detectability of simulated low-contrast radiographic patterns. Radiology 150:569–575
Aurumskjöld ML, Ydström K, Tingberg A, Söderberg M (2017) Improvements to image quality using hybrid and model-based iterative reconstructions: a phantom study. Acta Radiol 58:53–61
Euler A, Solomon J, Marin D, Nelson RC, Samei E (2018) A third-generation adaptive statistical iterative reconstruction technique: phantom study of image noise, spatial resolution, lesion detectability, and dose reduction potential. AJR Am J Roentgenol 210:1301–1308
Greffier J, Macri F, Larbi A et al (2016) Dose reduction with iterative reconstruction in multi-detector CT: what is the impact on deformation of circular structures in phantom study? Diagn Interv Imaging 97:187–196
Paruccini N, Villa R, Pasquali C, Spadavecchia C, Baglivi A, Crespi A (2017) Evaluation of a commercial model based iterative reconstruction algorithm in computed tomography. Phys Med 41:58–70
Solomon J, Mileto A, Ramirez-Giraldo JC, Samei E (2015) Diagnostic performance of an advanced modeled iterative reconstruction algorithm for low-contrast detectability with a third-generation dual-source multidetector CT scanner: potential for radiation dose reduction in a multireader study. Radiology 275:735–745
Ott JG, Becce F, Monnin P, Schmidt S, Bochud FO, Verdun FR (2014) Update on the non-prewhitening model observer in computed tomography for the assessment of the adaptive statistical and model-based iterative reconstruction algorithms. Phys Med Biol 59:4047–4064
Akagi M, Nakamura Y, Higaki T et al (2019) Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT. Eur Radiol. https://doi.org/10.1007/s00330-019-06170-3