Evaluation of deep-learning iterative reconstruction combined with high-frequency kernels in CT: a task-based image quality study.

چکیده اصلی

OBJECTIVE: To evaluate the image quality of a novel deep-learning iterative reconstruction (DLIR) algorithm combined with high-frequency kernels compared with iterative reconstruction (IR) algorithms through the assessment of the detectability of small high-contrast lesions. MATERIALS AND METHODS: Three image-quality phantoms were scanned with doses from 0.8 to 15 mGy. Images were reconstructed using ASIR-V0, ASIR-V80, and DLIR (Low, Medium, High), with an edge-enhancing kernel for a chest protocol and a sharp kernel for a spine protocol. A dedicated cubic phantom was used to assess axial, longitudinal resolution, and noise power spectra. Contrast of calcium-based lesions of 3 and 5 mm in diameter was assessed at three concentrations (200, 400, and 800 mg/cc) using two anthropomorphic chest and abdominal phantoms. Detectability was evaluated using a non-prewhitening with eye filter model observer. RESULTS: In-plane spatial resolution was stable across DLIR strength levels and slightly better than ASIR-V0, while longitudinal resolution did not depend on algorithms. DLIR markedly reduced image noise, below ASIR-V80 for DLIR-High with both kernels. While IR preserved the contrast of lesions, it decreased with DLIR strength for the small lesion 200 mg/cc-3mm. The highest detectability was achieved with DLIR-High, except for the HA200-3mm below 3 mGy for the chest protocol and 7 mGy for the spine protocol. CONCLUSION: DLIR combined with high-frequency kernels reduced image noise while preserving spatial resolution and FBP-like noise texture, outperforming IR in detectability for most lesion sizes, concentrations, and dose levels. DLIR reduced contrast for small and low-concentration lesions, especially at low doses, which partially counterbalanced its detectability advantage over IR. KEY POINTS: Question This study evaluates whether deep-learning reconstruction with high-frequency kernels improves the detectability of small high-contrast lesions compared to iterative reconstruction. Findings The new deep-learning reconstruction reduces image noise while preserving fine anatomical detail and improving in-plane spatial resolution. RELEVANCE STATEMENT: The new deep-learning reconstruction combined with high-frequency kernels improves detection of small lesions in comparison with iterative reconstruction at standard doses, but very small or low-density lesions may appear less visible at lower dose levels.

ترجمه فارسی چکیده

هدف: ارزیابی کیفیت تصویر یک الگوریتم جدید بازسازی تکرار شونده با یادگیری عمیق (DLIR) همراه با کرنل‌های فرکانس بالا در مقایسه با الگوریتم‌های بازسازی تکرار شونده (IR) از طریق ارزیابی قابلیت تشخیص لیزه‌های کوچک با کنتراست بالا. مواد و روش‌ها: سه فانتوم کیفیت تصویر با دوزهای ۰.۸ تا ۱۵ میلی‌گرم سیزیم اسکن شدند. تصاویر با استفاده از ASIR-V0، ASIR-V80 و DLIR (Low, Medium, High) همراه با کرنل تقویت‌کننده لبه برای پروتکل سینه و کرنل تیز برای پروتکل ستون فقرات بازسازی شدند. یک فانتوم مکعب اختصاصی برای ارزیابی رزولوشن محوری و طولی و طیف توان نویز استفاده شد. کنتراست لیزه‌های مبتنی بر کلسیم با قطر ۳ و ۵ میلی‌متر در سه غلظت (۲۰۰، ۴۰۰ و ۸۰۰ میلی‌گرم/cc) با استفاده از دو فانتوم آنتروپومورفیک سینه و شکم ارزیابی شد. قابلیت تشخیص با استفاده از مدل مشاهده‌گر مبتنی بر مدل بدون پیش‌پالایش با فیلتر چشم ارزیابی شد. نتایج: رزولوشن مکانی در صفحه در تمام سطوح قدرت DLIR ثابت بود و کمی بهتر از ASIR-V0 بود، در حالی که رزولوشن طولی به الگوریتم‌ها وابسته نبود. DLIR به طور قابل توجهی نویز تصویر را کاهش داد، زیرا ASIR-V80 برای DLIR-High با هر دو کرنل. در حالی که IR کنتراست لیزه‌ها را حفظ کرد، با قدرت DLIR برای لیزه کوچک ۲۰۰ میلی‌گرم/cc-۳ میلی‌متر کاهش یافت. بالاترین قابلیت تشخیص با DLIR-High به دست آمد، به جز HA200-3mm زیر ۳ میلی‌گرم سیزیم برای پروتکل سینه و ۷ میلی‌گرم سیزیم برای پروتکل ستون فقرات. نتیجه‌گیری: DLIR همراه با کرنل‌های فرکانس بالا نویز تصویر را کاهش داد در حالی که رزولوشن مکانی و بافت نویز مشابه FBP را حفظ کرد و در قابلیت تشخیص برای اکثر اندازه‌ها، غلظت‌ها و سطوح دوز از IR برتری داشت. DLIR کنتراست را برای لیزه‌های کوچک و با غلظت پایین کاهش داد، به ویژه در دوزهای پایین، که این امر بخشی از مزیت قابلیت تشخیص آن را نسبت به IR خنثی کرد.

متن کامل اصلی