Deep-learning denoising for ultrahigh-resolution photon-counting detector CT: phantom and in vivo evaluation of non-calcified coronary plaques
Rattachement africain : us, de, pt, hu. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
To assess the value of convolutional neural network (CNN)-based denoising for the evaluation of non-calcified coronary plaques on ultrahigh-resolution (UHR) photon-counting detector (PCD) coronary CT angiography (CCTA). A dynamic phantom containing lipid-rich and fibrotic plaques with 50%-diameter stenosis (PDS) was scanned on PCD-CT under varying conditions. For in-vivo imaging, consecutive patients with non-calcified coronary plaques (NCPs) who underwent CCTA with PCD-CT were included. Image series were reconstructed using a sharp vascular kernel (Bv64) with slice thicknesses of 0.2 mm/0.4 mm, quantum iterative reconstruction (QIR) levels 3/4, and with/without CNN denoising. Phantom-based line-profile analysis yielded edge-width at half maximum (EWHM) and 10-90% rise distance as sharpness metrics. Plaque contrast-to-noise ratio (CNR) and PDS were assessed in the phantom and in patients. Two readers evaluated subjective image quality (noise, diagnostic confidence) using a four-point Likert scale. Pairwise comparisons were performed using a Bonferroni-corrected p < 0.002 for significance. Fifty-five patients (median age 74 [66.5-78] years; 19 women) with 97 NCPs were included. Phantom-based sharpness metrics remained unchanged after denoising (all pairwise p > 0.051). CNN denoising increased plaque CNR consistently in the phantom (fibrotic: 0.80-1.64 to 0.92-2.06; lipid-rich: 0.21-0.34 to 0.35-0.46) and in vivo (0.99-2.07 to 1.37-2.92, all pairwise p < 0.001). Denoising did not alter PDS values in phantom or in vivo plaques (all pairwise p > 0.006). Subjective image noise and diagnostic confidence improved across all reconstructions (all pairwise p < 0.001). CNN-based denoising of UHR PCD-CT improves image quality of non-calcified coronary plaques, while preserving sharpness and quantitative stenosis metrics.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Deep-learning denoising for ultrahigh-resolution photon-counting detector CT: phantom and in vivo evaluation of non-calcified coronary plaques
- Date Crossref
- 10/07/2026
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Medical University of South Carolina Department of Radiology and Radiological Science pays non établi dans la noticeUniversité ou école supérieure
-
LMU Klinikum pays non établi dans la noticeÉtablissement de santé
-
Ludwig-Maximilians-Universität München pays non établi dans la noticeUniversité ou école supérieure
-
University Medical Center Freiburg pays non établi dans la noticeÉtablissement de santé
-
Johannes Gutenberg University Mainz pays non établi dans la noticeUniversité ou école supérieure
-
University Medical Center of the Johannes Gutenberg University Mainz Department of Diagnostic and Interventional Radiology pays non établi dans la noticeÉtablissement de santé
-
Hospital da Luz UNICA Radiology pays non établi dans la noticeÉtablissement de santé
-
University of California San Diego pays non établi dans la noticeUniversité ou école supérieure
-
La Jolla Bioengineering Institute pays non établi dans la noticeOrganisation à but non lucratif
-
Scripps Clinic Department of Cardiology and Radiology pays non établi dans la noticeÉtablissement de santé
-
Semmelweis University Department of Radiology pays non établi dans la noticeUniversité ou école supérieure
-
German Centre for Cardiovascular Research pays non établi dans la noticeStructure de recherche
Department of Radiology and Radiological Science — Medical University of South Carolina, LMU Klinikum et Ludwig-Maximilians-Universität München, avec 9 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.