2024-12-16
324
来源: European Radiology
European Radiology丨深度学习重建对CT检查中辐射剂量减少和癌症风险的影响
图像重建算法是CT成像质量和诊断结果可靠的重要保障。而深度学习图像重建（deep learning imagereconstruction，DLIR）是一种新型的CT图像重建算法，突破了非线性迭代重建算法在图像质量方面的限制，有效降低图像噪声并提高图像质量，同时减少计算负载，能提供常规快速重建，在真实临床疾病诊疗当中已逐渐普及应用。
随着CT技术的普及，其剂量累积对身体产生的不良影响也随之浮现。根据Nature Medicine上的研究，从多国队列中收集的超过94万名＜22岁的参与者数据显示，CT剂量累积与血液恶性肿瘤的发生率之间存在显著正相关。具体而言，每增加100mGy的辐射剂量，罹患全血液恶性肿瘤的风险升高96%。
近期，European Radiology发布了一篇文章，利用真实的临床数据，评估深度学习重建的实施可以在多大程度上降低CT检查中辐射诱发癌症的风险。
该项回顾性分析了与DLR实施相关的两个阶段的成年患者的扫描数据：DLR 前 12 个月阶段 （n = 5553） 使用混合迭代重建和 DLR 后 12 个月阶段 （n = 5494） 常规 CT 重建过渡到 DLR。为了确保两组之间的可比性，我们采用了基于年龄、性别和体重指数的 1：1 匹配的倾向评分。收集剂量数据以估计器官特异性等效剂量和总有效剂量。我们评估了 DLR 实施后的平均剂量减少，并估计了 DLR 实施前后每次 CT 检查的癌症终生归因风险 （LAR）。还估计了实施 DLR 前后辐射诱发的癌症数量。
图片来源于网络，仅作示意，如有侵权请及时联系删除！
倾向得分匹配后，每组 5247 例纳入最终分析。DLR 后，身体总有效 CT 剂量从 DLR 前的 28.1 ± 14.0 mSv 显着降至 15.5 ± 10.3 mSv （p < 0.001），减少了 45%。这种剂量减少显着降低了辐射诱导的癌症风险，尤其是在年轻女性中，估计年癌症发病率从 DLR 前 0.247% 到 DLR 后 0.130%。
原文出处：https://link.springer.com/article/10.1007/s00330-024-11212-6
https://pubmed.ncbi.nlm.nih.goc/39613960
图片来源于网络，如有侵权请及时联系删除！
