超低劑量胸部CT不同重建算法對肺炎定量及圖像質量的影響

摘要：目的 "探討胸部超低劑量CT掃描條件下濾波反投影、自適應統計迭代重建、深度學習圖像重建（DLIR）等不同重建算法對人工智能影像輔助肺炎定量分析（uAI-Discover-NCP）和圖像質量的影響。方法 "納入陜西中醫藥大學附屬醫院2023年7月～2023年12月就診的43例肺炎復查患者，采用個性化超低劑量CT掃描，原始數據分別采用濾波反投影、40%強度的自適應統計迭代重建、不同強度DLIR（DLIR-M、DLIR-H）、在DLIR-H處理上疊加E2的邊緣強化（DLIR-H+E2）重建圖像，共獲得5組圖像。測量5組圖像空氣、肺組織、胸主動脈、左肩胛下肌、胸10椎體的CT值、噪聲值，計算信噪比。2位醫師對5組圖像肺整體質量及肺炎顯示進行5分制主觀評分。將圖像導入CT影像輔助肺炎定量分析軟件進行獨立分析，記錄肺炎指數、肺炎體積及肺炎體積百分比、肺炎質量及肺炎質量百分比。采用重復測量方差分析或Friedman秩和檢驗比較各組定量參數及主觀評分的差異。結果 "5組圖像在肺實質、胸主動脈、左肩胛下肌、胸10椎體組織CT值差異均無統計學意義（Pgt;0.05）；而各組織噪聲及信噪比的總體差異均有統計學意義（Plt;0.05），其中DLIR-H組的圖像噪聲最低、信噪比最高，與其他4組相比，差異均有統計學意義（Plt;0.05）。2位醫師對各組圖像的主觀評分一致性高（Kappa=0.811～0.894），5組圖像的整體圖像質量、肺炎顯示評分總體差異有統計學意義（Plt;0.001），DLIR-H與DLIR-H+E2組整體圖像質量、肺炎顯示主觀評分最高，組間差異無統計學意義（Pgt;0.05）。5個肺炎定量參數（肺炎指數、肺炎體積及肺炎體積百分比、肺炎質量及肺炎質量百分比）組間總體差異均無統計學意義（Pgt;0.05）。結論 "超低劑量掃描條件下，影像輔助肺炎定量分析結果不受重建算法的影響。與濾波反投影、自適應統計迭代重建40%相比，高強度深度學習圖像重建能顯著降低圖像噪聲、明顯提升圖像質量，在臨床診斷有較大的優勢。

關鍵詞：深度學習圖像重建；圖像質量；肺炎；人工智能；體層攝影術

Effect of different reconstruction algorithms for ultra-low dose chest CT on quantitative detection of pneumonia and image quality

CHEN Weiting1， MA Guangming2， HE Liyu3， YANG Lu3， JIN Chenwang1， 3

1School of Medical Technology， Shaanxi University of Chinese Medicine， Xianyang 712046， China; 2Department of Medical Imaging， Affiliated Hospital of Shaanxi University of Chinese Medicine， Xianyang 712000， China; 3Department of Medical Imaging， the First Affiliated Hospital of Xi'an Jiaotong University， Xi'an 710000， China

Abstract： Objective To investigate the effect of different image reconstruction algorithms， including filtered back projection， adaptive statistical iterative reconstruction V and deep learning image reconstruction （DLIR） on AI-assisted quantitative analysis of pneumonia （uAI-Discover-NCP） and image quality under ultra-low dose chest CT scanning conditions. Methods Fourty-three patients undergoing follow-up for pneumonia from July to December 2023 at the Affiliated Hospital of Shaanxi University of Chinese Medicine were included in this study. Each patient underwent personalized ultra-low dose CT scanning. The raw data were reconstructed using filtered back projection， 40% intensity adaptive statistical iterative reconstruction V， various intensities of DLIR （DLIR-M， DLIR-H）， and DLIR-H with additional E2 edge enhancement （DLIR-H+E2）， resulting in five groups of images. Measurements were taken for CT values and noise values in the ROIs-air， lung tissue， thoracic aorta， left subscapularis muscle， and thoracic vertebra 10. The signal-to-noise ratio was calculated. Two physicians subjectively rated the overall quality and pneumonia presentation of the five groups of images on a 5-point scale. The images were independently analyzed using CT image-assisted pneumonia quantitative analysis software， recording pneumonia index， pneumonia volume and its percentage， and pneumonia quality and its percentage. Repeated measures ANOVA or Friedman's rank-sum test were used to compare quantitative parameters and subjective scores among groups. Results There was no significant difference in CT values of the lung parenchyma， thoracic aorta， left subscapularis muscle， and thoracic vertebra 10 across the five image groups （Pgt;0.05）. However， differences in noise values and signal-to-noise ratio among tissues were statistically significant （Plt;0.05）， with the DLIR-H group demonstrating the lowest image noise and highest signal-to-noise ratio， significantly outperforming the others four groups （Plt;0.05）. The consistency of subjective scoring by the two physicians was high （Kappa=0.811-0.894）. There was a significant difference in overall image quality and pneumonia presentation scores across the five groups （Plt;0.001）， with the highest scores in the DLIR-H and DLIR-H+E2 groups， although the difference between these groups was not significant （Pgt;0.05）. There was no significant difference in the overall variation of the five pneumonia quantitative parameters among the groups （Pgt;0.05）. Conclusion Under ultra?low dose scanning conditions， AI?assisted quantitative analysis of pneumonia is not affected by the reconstruction algorithm. Compared to filtered back projection and 40% adaptive statistical iterative reconstruction V， high-intensity DLIR significantly reduces image noise and noticeably improves image quality， offering substantial clinical diagnostic advantages.

Keywords： deep learning image reconstruction; image quality; pneumonia; artificial intelligence; body lever photography

胸部 CT 是肺炎診斷和評估的重要影像手段［1-2］ ，常規CT掃描伴隨著較高的輻射劑量，需行多次掃描隨訪的患者累積輻射劑量不容忽視。電離輻射已被證實會損傷人體組織并改變DNA結構，長期或頻繁暴露會增加患者患癌風險［3］ 。超低劑量CT（ULDCT）掃描技術被引入臨床實踐，以最小化輻射暴露。隨著人工智能技術在醫學影像領域的快速發展，肺炎定量分析在肺炎診療中嶄露頭角［4-6］ 。但ULDCT所產生的圖像質量問題，特別是圖像噪聲和偽影的增加，對肺炎的精確診斷和定量分析構成了挑戰。圖像重建算法的選擇和優化是提高ULDCT圖像質量的關鍵手段，自適應統計迭代重建（ASIR-V）較傳統的濾波反投影（FBP）算法能達到更低的劑量，但高權重重建會改變圖像紋理；而最新的深度學習圖像重建（DLIR）算法在降低ULDCT圖像噪聲和提高圖像質量方面取得了顯著進展［7-12］ 。但ULDCT掃描條件應用于肺炎患者的臨床研究較少，不同圖像重建技術對肺炎定量分析的影響相關研究鮮見報道。本研究通過評估個性化ULDCT條件下FBP、ASIR-V、DLIR等不同圖像重建算法對肺炎定量分析工具性能及圖像質量的影響，旨在提出一種綜合考慮圖像質量和輻射劑量的肺炎診斷優化策略。

1 "資料與方法

1.1 "一般資料

回顧性分析2023年7月～2023年12月于陜西中醫藥大學附屬醫院就診的臨床主要表現為發熱、咳嗽的80例患者。納入標準：體質量及身高資料完整；因肺部感染性病變復查需再次接受胸部CT檢查者。排除標準：患者屏氣配合差，運動偽影嚴重；既往胸部手術史，胸部或脊柱內置有金屬植入物；彌漫性肺部病變；胸廓畸形；圖像重建不全，數據處理結果不全；復查影像結果顯示肺炎病灶已完全吸收或病灶呈纖維化。本研究經陜西中醫藥大學附屬醫院倫理委員會批準（SZFYIEC-YJ-KYBC-2023年第[07]號），免除患者知情同意。最終納入43例受試者，其中男24例，女19例；年齡32～83歲，中位年齡69歲，BMI 12.86～30.00（22.75±4.11）kg/m2，有效輻射劑量（ED）0.26±0.16 mSv。病毒性肺炎17例，細菌性肺炎15例，支原體肺炎11例。所有患者CT表現呈多個肺葉受累。

1.2 "掃描及重建方案

掃描設備使用GE Revolution Apex CT 256排螺旋CT機。掃描前對受檢者行深吸氣末屏氣訓練。受檢者仰臥平躺，雙手上舉抱頭，掃描范圍涵蓋整個肺組織。個性化掃描參數：將受試者分為體質量正常或低體質量者（BMIlt;24）、超重者（24≤BMIlt;28）、肥胖者（BMI≥28）［13］ ，分別采用管電流10、20、35 mA，其余參數相同，均采用固定管電壓120 kVp，轉速為0.5 s/轉，掃描層厚5 mm，層間距5 mm。

重建方案：原始數據分別采用FBP、40%強度的ASIR-V、中等強度DLIR（DLIR-M）、高等強度DLIR（DLIR-H）及在DLIR-H基礎上疊加E2的邊緣強化效果（DLIR-H+E2）重建圖像，重建層厚0.625 mm，層間隔0.625 mm，采用標準卷積核，圖像的窗寬和窗位設為1200 Hu、-600 Hu，共獲得5組圖像，分別為FBP組、ASIR-V40%組、DLIR-M組、DLIR-H組以及DLIR-H+E2組，將5組圖像上傳至AW工作站及人工智能CT影像輔助肺炎分析軟件中進行下一步分析。

掃描結束后從劑量報告中獲取受試者的劑量長度乘積（DLP），并計算ED，ED=DLP×0.014 mSv·mGy-1·cm-1［14］ 。

1.3 "圖像質量客觀評價

由3位具有2年以上工作經驗的影像診斷醫師使用GE AW 4.7后處理工作站分別對5組圖像進行客觀分析。具體方法：在肺組織（左肺上葉外帶，避開血管）、空氣（胸骨角前）、胸主動脈（降主動脈中心，避開管壁）、肌肉（左肩胛下肌）、胸10椎體（位于椎體中心，避開骨皮質）勾畫感興趣區（50～100 mm2），測量時采用復制粘貼的方法，保持同一受試者的同一組織感興趣區位置、大小、面積一致，記錄各感興趣區CT值、標準差（SD）。對3位醫師所測的各組織感興趣區CT、SD值取平均值，并記作該組織的CT值和噪聲值。以空氣噪聲作為背景噪聲計算各組織的信噪比（SNR），SNR感興趣區=CT感興趣區/SD空氣。

1.4 " 圖像質量主觀評分

評分前隱藏圖像上患者的個人信息、掃描技術及重建方法，隨機呈現不同患者不同組的圖像。2名具有10年以上工作經驗的高年資影像診斷醫師在工作站上獨立閱片，如有分歧，由第3名高年資主任醫師確定最終評分。采用Likert 5分制［15］ 制定評分標準，評估內容分為兩個部分：肺部整體圖像質量和肺炎顯示。肺部整體圖像質量評分標準為：1分，圖像質量差，解剖結構顯示不清，噪聲嚴重；2 分，圖像質量較差，結構解剖辨識困難，噪聲大；3 分，圖像質量一般，解剖結構部分欠清晰，噪聲適中；4分，圖像質量良好，解剖結構較清晰，噪聲輕微；5 分，圖像質量優，解剖結構清晰，無明顯噪聲。肺炎顯示具體評分標準（表1）。

1.5 "CT肺炎定量分析

使用人工智能影像輔助肺炎分析軟件（uAI-Discover-NCP）對5組圖像肺炎病灶區域進行分割處理（圖1），軟件將自動識別全肺的肺炎病變區域，由2位具有5年以上胸部影像診斷經驗的診斷醫師共同對軟件自動識別的肺炎感染區域進行審核，有異議處經過協商達成一致后對勾畫不準確處進行手動修正。記錄肺炎指數（PI）、全肺肺炎體積（TLeV）及占全肺體積的百分比（TLeV%）、肺炎質量（LQ）及占全肺體積的百分比（LQ%）。

1.6 "統計學分析

采用SPSS 26.0進行統計學分析。計量資料行正態性Shapiro-Wilk檢驗，符合正態分布的計量資料以均數±標準差表示，符合方差齊性檢驗，多組間比較采用重復測量方差分析，組間兩兩比較采用LSD檢驗；非正態分布的計量資料采用中位數（四分位間距）表示，多組間比較采用多相關樣本Friedman秩和檢驗，兩兩比較采用兩配對樣本Wilcoxon 符號秩檢驗。等級資料比較采用卡方檢驗，采用Kappa檢驗分析2位醫師主觀評價圖像質量的一致性，Kappa值0.81～1.00為一致性高，0.61～0.80為一致性較好，0.41～0.60為一致性中等，lt;0.40為一致性較差。 以Plt;0.05為差異有統計學意義。

2 "結果

2.1 "圖像質量分析

2.1.1 "圖像質量客觀評價 " 基于FBP、ASIR-V40%、DLIR-M、DLIR-H、DLIR-H+E2算法重建所得的5組圖像在肺組織、胸主動脈、肩胛下肌、胸10椎體CT值差異均無統計學意義（Pgt;0.05）；空氣CT值組間總體差異具有統計學意義（F=46.939，Plt;0.001），DLIR-H+E2組的空氣密度平均值最低為-998.16 Hu，DLIR-M組的空氣密度平均值最高為-996.69 Hu，兩組平均值差為1.47 Hu（表2）。

5組圖像肺組織、空氣、胸主動脈、肩胛下肌、胸10椎體SD的總體差異有統計學意義（Plt;0.001）；組間兩兩比較顯示，DLIR-M組與DLIR-H+E2組空氣及胸椎SD值差異無統計學意義（Pgt;0.05），其余組間SD值差異均有統計學意義（Plt;0.01）。5組圖像肺組織、胸主動脈、肩胛下肌、胸10椎體SNR的總體差異均有統計學意義（Plt;0.001），組間兩兩比較顯示，DLIR-M組與DLIR-H+E2組肺組織、胸主動脈、肩胛下肌、胸10椎體SNR差異均無統計學意義（Pgt;0.05），其余組間SNR值差異均有統計學意義（Plt;0.01，表2）。DLIR-H組各組織的圖像噪聲SD最低、SNR最高，相較于FBP組、ASIR-V40%組、DLIR-M組、DLIR-H+E2組，DLIR-H組肺組織SD分別降低了29.65%、16.28%、8.50%、21.25%，SNR分別升高了70.02%、42.95%、29.95%、32.75%；胸主動脈SD分別降低了63.26%、51.81%、30.48%、20.97%，SNR分別升高了71.90%、41.40%、30.85%、32.83%；左肩胛下肌SD分別降低了61.41%、49.72%、39.82%、21.10%，SNR分別升高了73.16%、43.67%、28.52%、32.13%；胸10椎體SD分別降低了39.03%、33.41%、18.73%、16.01%，SNR分別升高了69.59%、37.02%、25.71%、27.95%（圖2）。

2.1.2 "圖像質量主觀評分 " 2位資深的診斷醫師對各組圖像的主觀評分一致性高（Kappa=0.811～0.894）。在整體圖像質量、肺炎顯示評分上，5組圖像總體差異有統計學意義（Plt;0.001）。DLIR-H組與DLIR-H+E2組肺整體圖像質量、肺炎病灶顯示主觀評分差異無統計學意義（Pgt;0.05），均高于其余3組（FBP組、ASIR-V40%組、DLIR-M組）（Plt;0.001）。ASIR-V40%組與DLIR-M組在肺整體圖像質量、肺炎病灶顯示主觀評分的差異有統計學意義（Plt;0.05）。FBP組在整體圖像質量、肺炎顯示評分最低，與ASIR-V40%組、DLIR-M組間差異有統計學意義（Plt;0.05，表2）。

2.2 "肺炎定量CT參數

不同算法所得的5組圖像肺炎指數、全肺肺炎體積及占全肺體積的百分比、肺炎質量及占全肺體積的百分比等5個肺炎定量參數總體差異均無統計學意義（Pgt;0.05，表3）。

3 "討論

本研究在個性化胸部ULDCT條件下首次評估了不同圖像重建算法（FBP、ASIR-V、DLIR）對肺炎定量分析及圖像質量的影響。結果表明，在ULDCT條件下，AI輔助肺炎定量分析并不受重建算法的影響，能提供較一致的肺炎定量結果。采用DLIR技術，尤其是DLIR-H圖像重建，在主觀和客觀圖像質量方面表現突出，突顯了其在降低輻射劑量和提高圖像質量方面的重要價值，為超低劑量掃描模式下的應用價值提供了寶貴經驗。這一發現旨在臨床實踐中實現更安全、更準確的肺炎數字化管理，極大降低患者所受輻射劑量，為患者提供更優質的醫療服務。

ULDCT掃描技術的有效應用極大依賴于圖像重建算法的進步，臨床實踐主要采用以下3種CT圖像重建算法：FBP、ASIR-V以及DLIR，它們對ULDCT圖像質量的提升有著不同程度的影響。傳統FBP算法直接將采集到的X射線投影數據進行反變換重建，沒有針對低劑量下信噪比低的情況進行特別的處理或優化，在ULDCT掃描下有著較大的局限性，其未能有效抑制圖像噪聲、去除圖像偽影，重建圖像質量差。與之相比，ASIR-V作為迭代重建技術的代表，能夠在一定程度上通過迭代過程改善圖像質量，減少噪聲和偽影。然而，高權重ASIR-V在處理圖像時過度平滑，會使重要的圖像細節喪失，這種過度平滑還可能造成蠟像偽影，影響醫師的診斷能力［8］ 。而DLIR算法則展現了其顯著的優勢，深度學習模型強大的特征學習能力使其在去除低劑量圖像噪聲的同時，能夠保留關鍵的解剖及病變細節、邊緣信息，顯著提高圖像質量，特別是在ULDCT條件下。相較于FBP和ASIR-V，DLIR算法提供了一種降低患者輻射劑量并優化圖像質量的有效途徑，已在體模及臨床中得到廣泛研究［16-18］ 。

本研究結果顯示，各組織CT值僅在空氣中存在差異，組間平均值差異在2 Hu以內，這種細微的CT值波動，對影像診斷的影響是微不足道的，這可能源于有限的受試者數量及測量誤差，而非圖像重建算法本身導致的圖像失真。在圖像噪聲和信噪比方面，DLIR技術，特別是DLIR-H算法，相較于FBP和ASIR-V算法表現出更低的噪聲水平和更高的信噪比，進一步證實了DLIR-H算法在降噪能力上的優勢。本研究還著重考察了不同重建圖像在圖像主觀評分上的差異，肺炎病灶內外部征象的清晰辨識有助于影像醫師對肺炎進行分型，判斷病灶吸收情況等［9］ 。研究結果發現DLIR-H及DLIR-H+E2組在肺部圖像質量和肺炎病灶顯示的主觀評分上較其他算法表現更佳，但兩種算法間并無統計學差異，使用邊緣增強濾波器對DLIR-H重建圖像進行后處理即DLIR-H+E2組，SNR略低，產生了更高的圖像噪聲，與DLIR-M的噪聲相當，相較于DLIR-H組略微提高了空間分辨率，但并不影響主觀圖像質量，與既往研究［19］ 結論相似。在ULDCT條件下，DLIR-H算法不僅能夠提供更低噪聲的圖像，還能保持圖像的高分辨率和最佳的病變辨識能力，對于肺炎疾病的精確診斷至關重要。

肺炎病情的嚴重程度及進展多依賴于醫師的視覺評估，其主觀經驗影響較大，缺乏統一的評估標準，可能導致診斷結果存在偏差。相較之下，AI輔助的肺炎定量工具提供了一種客觀可視化的病變評估方法，能夠準確反映病情的嚴重程度和發展趨勢，為臨床診療決策提供有力依據［6］ 。既往研究表明，AI定量分析在肺炎診斷及預后評估的效能、穩定性及可重復性方面均優于傳統視覺評估［20］ 。本研究發現在ULDCT掃描條件下，不同的圖像重建算法對肺炎的定量分析具有一致性，這種一致性降低了肺炎定量工具對特定重建算法的依賴，為臨床醫生提供了更大的靈活性，使他們能夠根據可用設備和具體臨床情況選擇合適的掃描及圖像重建技術，在資源有限的環境中實施高質量的患者護理。此外，定期的影像評估對于監控病情進展、評估治療效果和及時調整治療策略極為關鍵，一致的定量結果保證了當前與既往影像定量數據的可比性，而不必擔心由于采用不同的圖像重建技術而可能產生的結果差異，提高了臨床決策的準確性。

本研究的局限性：僅使用單中心同一CT掃描設備，未來我們將進一步擴大樣本量，在多中心，使用不同品牌和型號的CT設備開展研究，以評估不同圖像重建算法在更多類型設備條件下的表現，加強研究結果的普適性和穩健性；未針對肺炎征象進行細化評分，我們后續將對肺炎征象進行更詳細的分類和評分，以深化不同算法在疾病細微差異方面的識別能力；不同BMI患者未進行亞組分層的圖像質量主觀、客觀分析，對不同BMI患者個性化掃描方案進行優化也是我們下一階段的研究計劃。

綜上所述，在ULDCT掃描條件下，肺炎定量分析并未受到重建算法的影響。與FBP和ASIR-V算法相比， DLIR技術在降低圖像噪聲和提升圖像整體質量方面有顯著優勢，尤其是DLIR-H算法，結合人工智能輔助的肺炎定量分析，在臨床實踐中能極大降低患者輻射暴露風險的同時保證了圖像質量，并為病情的可視化和客觀評估提供了新的可能性。

參考文獻：

［1］ " "中華醫學會放射學分會. 新型冠狀病毒肺炎的放射學診斷： 中華醫學會放射學分會專家推薦意見（第一版）［J］. 中華放射學雜志， 2020， 54（4）： 279-85.

［2］ " "Brenner DJ， Hall EJ. Computed tomography： an increasing source of radiation exposure［J］. N Engl J Med， 2007， 357（22）： 2277-84.

［3］ " "Koetzier LR， Mastrodicasa D， Szczykutowicz TP， et al. Deep learning image reconstruction for CT： technical principles and clinical prospects［J］. Radiology， 2023， 306（3）： e221257.

［4］ " "高才良， 郎春輝， 李 "翔， 等. 新型冠狀病毒肺炎不同臨床分型首次胸部CT評分及臨床表現［J］. 中國醫學影像學雜志， 2020， 28（11）： 806-9.

［5］ " "Xu X， Yu CC， Qu J， et al. Imaging and clinical features of patients with 2019 novel coronavirus SARS-CoV-2［J］. Eur J Nucl Med Mol Imaging， 2020， 47（5）： 1275-80.

［6］ " "Zuo YH， Chen Y， Chen LH， et al. Computed Tomography scanning in patients with COVID?19： artificial intelligence analysis of lesions volume and outcome［J］. Eur Rev Med Pharmacol Sci， 2023， 27（12）： 5869-77.

［7］ " "唐友發， 王秋霞， 張進華. 深度學習重建算法在腸系膜上動脈CT血管成像中的應用評估［J］. 暨南大學學報： 自然科學與醫學版， 2023， 44（3）： 316-22.

［8］ " "Mileto A， Guimaraes LS， McCollough CH， et al. State of the art in abdominal CT： the limits of iterative reconstruction algorithms［J］. Radiology， 2019， 293（3）： 491-503.

［9］ " "Garg M， Devkota S， Prabhakar N， et al. Ultra-low dose CT chest in acute COVID?19 pneumonia： a pilot study from India［J］. Diagnostics， 2023， 13（3）： 351.

［10］ "Greffier J， Hamard A， Pereira F， et al. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT： a phantom study［J］. Eur Radiol， 2020， 30（7）： 3951-9.

［11］ "Toia GV， Zamora DA， Singleton M， et al. Detectability of small low?attenuation lesions with deep learning CT image reconstruction： a 24?reader phantom study［J］. AJR Am J Roentgenol， 2023， 220（2）： 283-95.

［12］ "張卓璐， 陳 "菁， 劉 "卓， 等. 深度學習重建算法對肺部CT定量分析及圖像質量的影響［J］. 放射學實踐， 2023， 38（4）： 434-40.

［13］ "中國肥胖問題工作組. 中國成人超重和肥胖癥預防與控制指南（節錄）［J］. 營養學報， 2004， 26（1）： 1-4.

［14］ "Deak PD， Smal Y， Kalender WA. Multisection CT protocols： sex- and age-specific conversion factors used to determine effective dose from dose-length product［J］. Radiology， 2010， 257（1）： 158-66.

［15］ "宋 "蘭， 田杜雪， 王金華， 等. 胸部超低劑量CT應用深度學習重建行肺癌篩查的可行性研究［J］. 中華放射學雜志， 2022， 56（6）： 667-72.

［16］ Jiang JM， Miao L， Liang X， et al. The value of deep learning image reconstruction in improving the quality of low-dose chest CT images［J］. Diagnostics， 2022， 12（10）： 2560.

［17］ "Racine D， Becce F， Viry A， et al. Task-based characterization of a deep learning image reconstruction and comparison with filtered back-projection and a partial model-based iterative reconstruction in abdominal CT： a phantom study［J］. Phys Med， 2020， 76： 28-37.

［18］ "劉海法， 楊 "麗， 王 "琦， 等. 深度學習重建算法對胸部低劑量CT肺結節測量及顯示影響的模體研究［J］. 放射學實踐， 2023， 38（8）： 977-84.

［19］ Svalkvist A， Fagman E， Vikgren J， et al. Evaluation of deep-learning image reconstruction for chest CT examinations at two different dose levels［J］. J Appl Clin Med Phys， 2023， 24（3）： e13871.

［20］Gieraerts C， Dangis A， Janssen L， et al. Prognostic value and reproducibility of AI-assisted analysis of lung involvement in COVID-19 at low-dose submillisievert chest CT： sample size implications for clinical trials［J］. Radiol Cardiothorac Imag， 2020， 2（5）： e200441.

（編輯：郎 "朗）