利用高频核技术和深度学习图像重建方法，在高强度水平下显著提升了胰腺与肿瘤边界的可视化效果

《Abdominal Radiology》：Improved visualization of pancreas and tumor boundaries using high-frequency kernels with deep-learning image reconstruction at high-strength level

胰腺影像重建中，肺核与深度学习图像重建（DLIR-H）结合可显著提升胰腺与脂肪组织（P=0.001）及胰腺导管腺癌（P<0.001）的边缘锐度，同时保持整体图像质量，优于标准及骨核重建（P<0.001）。

　　

摘要

研究目的

本研究旨在探讨将高频重建核与深度学习图像重建技术（DLIR-H）结合应用于高强度CT扫描（pancreatic protocol CT），以提升胰腺和肿瘤边界的可视化效果。

材料与方法

这项回顾性研究共纳入30名患者（中位年龄75岁，其中16名为女性），他们在2024年1月至2024年7月期间接受了胰腺CT检查以评估胰腺肿瘤。使用DLIR-H技术结合标准核、骨核、骨加肺核（bone-plus kernel）或肺核（lung kernel）对四组图像进行了重建。通过边缘上升斜率（Edge Rise Slope, ERS）测量方法，定量评估了胰腺与腹膜后脂肪组织（pancreas-to-fat）以及胰腺与胰腺导管腺癌（pancreas-to-PDAC）之间的边缘清晰度。两名放射科医生对胰腺的清晰度、肿瘤边界以及整体图像质量进行了定性评估。

结果

与标准核和骨核图像相比，肺核图像的胰腺与脂肪组织之间的边缘清晰度更高（P = 0.001）。与其它核类型图像相比，肺核图像的胰腺与胰腺导管腺癌之间的边缘清晰度也更高（P < 0.001）。无论是胰腺还是肿瘤边界的清晰度，肺核图像都优于其他核类型图像（两者均P < 0.001）。肺核图像的整体图像质量与标准核图像相当，且优于骨核图像（P < 0.001）。

结论

在胰腺CT扫描中，将肺核与DLIR-H技术相结合，能够在保持整体图像质量的同时，提升胰腺和肿瘤边界的定量及定性清晰度。