基于ct的温度测量，通过脂肪、肌肉和骨骼的双能量进行虚拟单能量图像，使用FBP，迭代和基于深度学习的重建( CT-based thermometry with virtual monoenergetic images by dual-energy of fat, muscle and bone using FBP, iterative and deep learning–based reconstruction )

Andreas Heinrich Sebastian Schenkl David Buckreus Felix V. Güttler Ulf K-M. Teichgrber Computed tomography Thermometry Dual-energy scanned projection Deep learning

本研究的目的是评估CT测温在脂肪、肌肉和骨骼三组分组织体模临床应用中的敏感性。采用双能量测量的虚拟单能图像(VMI)和现代重建算法自适应统计迭代重建体积（ASIR-V）和深度学习图像重建(DLIR)对传统120-kVP多色图像进行了比较。#开发了一个温度调节水电路系统，用于系统评估温度与Hounsfield单位(HU)之间的相关性。这些测量是在旋转CT上用宝石光谱成像技术(GSI)进行的。互补测量是在没有GSI的情况下进行的（电压120 kVp，电流130-545 mA）。被测对象为18～50°C温度范围内的组织等效体模。对40～140keV和120-kvp多色图像的VMI进行了评价。#回归分析显示，无论ASIR-V和DLIR如何，温度与平均HU之间都呈显著的线性负相关。与多色图像相比，VMI显示出更高的温度敏感性。脂肪的温度敏感度分别为1.25Hu/°C(120kVp)和1.35Hu/°C(VMI140keV)，肌肉的温度敏感度分别为0.38Hu/°C(120kVp)和0.47Hu/°C(VMI40keV)，骨骼的温度敏感度分别为1.15Hu/°C(120kVp)和3.58Hu/°C(VMI50keV)。#双能量VMI使脂肪、肌肉和骨骼的温度敏感度更高。用ASIR-V和DLIR重建对基于CT的温度测量没有显著影响，这打开了大幅减少剂量的潜力。#虚拟单能图像(VMI)使脂肪(8%)、肌肉（24%）和骨骼（211%）的温度敏感性高于传统的120-kVP多色图像。#使用VMI时，有一些参数，如单能和重建核，来调节温度敏感性。相比之下，没有参数影响传统多色120-kVP图像的温度敏感性。#自适应统计迭代重建体积（ASIR-V）和基于深度学习的图像重建(DLIR)的应用对基于CT的测温没有影响，这为临床应用中大幅减少剂量开辟了潜力。

SciDown文献求助系统（解决99%问题） Public Download Springer