目的:探讨深度学习图像重建(deep learning image reconstruction,DLIR)算法应用于术前双能CT评估胃癌T分期中的价值.方法:回顾分析本院2022年1月至2022年2月期间,经术后病理确诊的45例胃癌患者的术前双能CT检查资料,其中静脉期双能扫描原始数据,以标准重建核分别使用滤波反投影重建(filtered back projec-tion,FBP),自适应统计迭代重建(adaptive statistical iterative reconstruction-V,Asir-V)权重50％(AV-50)和权重 100％(AV-100),和 DLIR 中档(deep learning image reconstruction-mid-range,DLIR-M)算法,重建 1.25 mm层厚的 50 keV能级虚拟单能图像,随后由具有5年和10年胃肠道肿瘤诊断经验的2名放射科医师协商进行胃癌T分期诊断.45例患者中,术后病理学诊断为早期胃癌(T1a～T1b期)者22例,进展期胃癌(T2～T3期)者23例.以病理结果为金标准,采用受试者操作特征曲线的曲线下面积(area under curve,AUC)比较不同重建算法图像评估胃癌T分期的效能.结果:双能CT检查FBP、AV-50、AV-100和DLIR-M算法在术前判断胃癌T分的受试者操作特征曲线的AUC分别为0.638、0.667、0.577 和 0.867.DLIR-M 图像的 AUC 高于 FBP(P=0.049 8)、A-V-50(P=0.047 7)、AV-100(P=0.012 3).结论:与传统的FBP、Asir-V等CT重建算法相比,D

作者：颜凌；王凌云；陈勇；杜联军

来源：诊断学理论与实践 2023 年 22卷 2期