目的

YIKE

安徽医科大学学报

Acta Universitatis Medicinalis Anhui

安徽医科大学学报

1000-149234-1065/R

Anhui Lianzhong Printing Limited Company

Editorial Board of Acta Universitatis Medi-cinalis Anhui Meishan Road , Hefei 230032

《安徽医科大学学报》编辑部

安徽省合肥市安徽医科大学校内老图书馆三楼

18 V208 唐星

1000–1492（2026）04–0758–06

10.19405/j.cnki.issn1000–1492.2026.04.022

R445.3

临床医学研究

深度学习图像重建算法在超低剂量腹部CT平扫中的应用价值

The application value of deep learning image reconstruction algorithm in ultra-low dose abdominal CT scanning

唐

星

Tang

Xing

李

云成

Yuncheng

束

宏敏

Shu

Hongmin

侯

唯姝

Hou

Weishu

汪

军

Wang

Jun

李

小虎

Xiaohu

安徽医科大学第一附属医院医学影像科，合肥

230022

Dept of Medical Radiology， The First Affiliated Hospital of Anhui Medical University， Hefei

230022

Li Xiaohu， E-mail： lixiaohu@ahmu.edu.cn

唐星，男，主管技师

李小虎，男，博士，教授，主任医师，博士生导师，通信作者，E-mail：lixiaohu@ahmu.edu.cn

11022026

23042026

614758762

758-762

01022026目的

通过对比低辐射剂量的滤波反投影（FBP）图像与超低辐射剂量的深度学习重建（DLIR）图像，探讨不同等级的深度学习图像重建算法在超低辐射剂量中改善腹部CT平扫图像质量的可行性。

方法

前瞻性收集85例行腹部CT平扫的患者，采用自身对照研究方法进行低剂量（LD）组和超低剂量（ULD）组扫描。LD组采用噪声指数10，运用FBP进行图像重建（LD-FBP组），ULD组采用噪声指数30，运用不同等级（低、中、高）的DLIR，将图像重建为（ULD-DLIR-L、ULD-DLIR-M、ULD-DLIR-H）3个亚组。在每组图像上测量和计算肝脏、脾脏、肾脏、主动脉、腰大肌、皮下脂肪的CT值、标准差值（SD）、信噪比（SNR）和对比噪声比（CNR），并记录有效辐射剂量（ED）。由2名放射科医师采用5分法对图像质量进行主观评价。

结果

相对于LD-FBP组图像，ULD-DLIR-L组图像在肝脏、脾脏、肾脏、主动脉、腰大肌上的SNR和CNR值更低（P<0.001），ULD-DLIR-H组图像在肝脏、脾脏、肾脏、主动脉、腰大肌上的SNR和CNR值更高（P<0.001），ULD-DLIR-M组SNR和CNR值差异无统计学意义；主观评价上，ULD-DLIR-L和ULD-DLIR-M组评分低于LD-FBP组，ULD-DLIR-H组与LD-FBP组评分差异无统计学意义。ULD组的ED值比LD组降低约88%。

结论

与LD-FBP组图像相比，ULD-DLIR-H组图像能显著降低SD值，提高SNR和CNR值，有效改善了腹部CT平扫的图像质量。

Objective

To evaluate the feasibility of various strength levels of deep learning image reconstruction （DLIR） algorithms for improving non-contrast abdominal CT image quality at ultra-low radiation doses， by comparing ultra-low-dose DLIR images with low-dose filtered back projection （FBP） images.

Methods

A prospective collection of 85 patients undergoing non-contrast abdominal CT scans was performed， and a self-controlled study method was employed to conduct low-dose （LD） group and ultra-low-dose （ULD） group scans. The LD group used a noise index of 10 and employed FBP for image reconstruction （LD-FBP group）. The ULD group used a noise index of 30 and employed DLIR at different levels （low， medium， high）， resulting in three subgroups of reconstructed images： ULD-DLIR-L， ULD-DLIR-M， and ULD-DLIR-H. For each group， CT values， standard devia-tion （SD）， signal-to-noise ratio （SNR）， and contrast-to-noise ratio （CNR） were measured and calculated for the liver， spleen， kidneys， aorta， psoas major， and subcutaneous fat. Effective dose （ED） was also recorded. Two radiologists independently performed subjective evaluations of image quality using a 5-point scale.

Results

Compared with the LD-FBP group， the ULD-DLIR-L group showed significantly lower SNR and CNR values in the liver， spleen， kidneys， aorta， and psoas major （P<0.001）， while the ULD-DLIR-H group exhibited significantly higher values （P<0.001）. The difference of SNR and CNR values for the ULD-DLIR-M group showed no statistically significant difference. For subjective evaluation， the scores of the ULD-DLIR-L and ULD-DLIR-M groups were lower than those of the LD-FBP group， while there was no statistically significant difference in scores between the ULD-DLIR-H group and the LD-FBP group. The ED value of the ULD group was approximately 88% lower than that of the LD group.

Conclusion

Compared with the LD-FBP group， the ULD-DLIR-H group significantly reduces SD values while increasing SNR and CNR values， effectively improving the image quality of non-contrast abdominal CT scans.

深度学习图像重建超低剂量体层摄影技术X线计算机图像质量

deep learningimage reconstructionultra-low-dosetomographyX-rayimage quality

国家自然科学基金项目

82371959

国家自然科学基金项目（编号：82371959）

Fund program National Natural Science Foundation of China

82371959

National Natural Science Foundation of China （No. 82371959）

version

1.0.0.25070

structure-time

2026-05-28T13:07:13

word-source

腹部CT检查因检查范围广、复检率高、多期相增强等特点，辐射剂量较高，其潜在损伤备受临床和影像科医师关注^［1］。如何在保证图像诊断质量的同时有效地降低辐射剂量一直是CT技术的研究热点。图像重建算法的更新和迭代为降低剂量提供了新的途径^［2］。从滤波反投影法（filtered back projection， FBP）到迭代重建算法（iterative reconstruction， IR）再到深度学习重建算法（deep learning image reconstruction，DLIR），图像质量和辐射剂量经历了一次次的平衡调整^［3］。DLIR以其低剂量（low-dose， LD）、高质量和真实纹理等特点有望在临床实践中替代传统重建算法^［4］。目前国内和国外大部分研究^［5］都侧重于DLIR在LD腹部增强CT中的应用，研究已证实在适当降低剂量条件下，DLIR重建图像优于FBP和IR重建图像，但DLIR在超低剂量（ultra-low-dose， ULD）腹部CT平扫中的应用研究较少。该研究旨在探讨DLIR在ULD腹部CT平扫中改善图像质量的可行性。

1材料与方法1.1病例资料

前瞻性收集安徽医科大学第一附属医院2022年10月—2023年4月份因临床诊疗需要行腹部CT平扫的85例患者，其中男性43例，女性42例，年龄25~83（56.09±12.71）岁，体质量指数（body mass index，BMI）为15.6~33.6（23.18±3.48）kg/m²。85例患者中包括脂肪肝5例、肝钙化灶7例、肝囊肿27例、胆结石13例、肾囊肿38例、肾结石31例及其他异常58例。纳入标准：① 年龄≥18周岁；② 因临床诊疗需要腹部CT平扫检查。排除标准：① 腹部图像不完整；② 图像质量不合格，影响参数测量或影响诊断。本研究通过该院伦理委员会批准（批号：PJ2011-08-09）。

1.2仪器和方法

采用256排螺旋CT（revolution apex CT，美国GE医疗公司）进行腹部扫描。患者取仰卧位，身体置于检查床中间，双臂上举，扫描范围从膈顶至髂嵴水平。随机选择患者，并将患者分为LD和ULD进行扫描。LD CT的扫描方案：管电压120 kVp，管电流50～500 mA，噪声指数10，转速0.5 s/r，螺距0.992∶1；ULD CT的扫描方案：管电压120 kVp，管电流50～500 mA，噪声指数30，转速0.5 s/r，螺距0.992∶1。对LD图像进行FBP重建（LD-FBP），对ULD图像采用深度学习重建算法TrueFidelity^TM（美国GE公司）进行不同级别（低、中、高）的DLIR重建（ULD-DLIR-L、ULD-DLIR-M、ULD-DLIR-H），重建层厚均为0.625 mm。

1.3图像质量评价1.3.1客观评价

所有重建后图像均导入GE AW4.7工作站进行后处理。由2名具有10年腹部影像诊断经验的放射科医师对数据进行测量。设置感兴趣区（region of interest，ROI），面积约为（100±10）mm²，并将其分别放置于肝脏、脾脏、肾脏、主动脉、腰大肌和皮下脂肪，同时避开血管壁、病灶。收集ROI内平均CT值及标准差值（standard deviation ， SD）值，每个部位ROI分别测量3次取其平均值，计算肝脏、脾脏、肾脏、主动脉和腰大肌的信噪比（signal-to-noise ratio， SNR）和对比噪声比（contrast-to-noise ratio， CNR），SNR=感兴趣区域CT值/相同区域SD值，CNR=│感兴趣区域CT值－皮下脂肪CT值│/皮下脂肪SD值^［6］。

1.3.2主观评价

采用李克特五分法^［7］对腹部4组图像（LD-FBP、ULD-DLIR-L、ULD-DLIR-M、ULD-DLIR-H）的图像质量、图像噪声及诊断信心进行主观评分。所有主观评分由2名具有5、10年以上腹部影像诊断经验的放射科医师完成。5级评分标准：1分，图像质量极差，噪声非常明显，细小解剖结构及边缘不能识别，不能满足诊断；2分，图像质量较差，噪声明显且超过可接受范围，细小解剖结构及边缘显示不清，诊断困难；3分，图像质量中等，噪声较明显但可接受，细小解剖及边界显示一般，诊断信心不足；4分，图像质量较好，噪声较小，细小解剖结构及边缘显示较清晰，可以诊断；5分，图像质量好，无明显噪声，细小结构及边缘显示清晰，完全满足诊断。

1.4辐射剂量

记录CT扫描的容积CT剂量指数（volume CT dose index，CTDI_vol）和剂量长度乘积（dose length product， DLP），并计算有效辐射剂量（effective dose， ED），ED=DLP×W，W表示转换因子，根据欧洲CT质量标准指南规定，腹部的转换因子为0.015 mSv/（mGy·cm）^［8］。

1.5统计学处理

采用SPSS 27.0软件进行统计学分析。采用Kolmogorov-Smirnov方法对计量资料进行正态性检验，符合正态分布的计量资料用x¯±s表示，不同重建图像间比较采用单因素重复测量方差检验，组内两两比较采用LSD检验，采用配对样本t检验比较2组患者的有效辐射剂量；不符合正态分布的计量资料以［M（Q₁，Q₃）］表示，多组间比较采用Friedman M检验，组内两两比较采用Wilcoxon检验。2位医师主观评分一致性采用Kappa检验，Kappa值≥0.75为一致性很好，0.40<Kappa值<0.75为一致性较好，Kappa值≤0.40为一致性差。P<0.05为差异有统计学意义。

2结果2.1有效辐射剂量和诊断结果

腹部LD CT的CTDI_vol为（14.25±2.76）mGy，DLP为（463.82±105.30）mGy/cm，ED为（6.95±1.57）mSv；ULD CT的CTDI_vol为（1.75±0.11）mGy，DLP为（56.83±6.68）mGy/cm， ED为（0.84±0.10）mSv。ULD CT有效辐射剂量较LD CT扫描降低了88%（t=37.142，P<0.001）。LD组与ULD组相比，诊断结果基本一致。见表1。

10.19405/j.cnki.issn1000–1492.2026.04.001.T001

表1

LD组和ULD组在腹部疾病的诊断结果

Tab.1Diagnostic results of abdominal diseases in the low-dose and ultra-low-dose groups

Group	Fatty liver	Hepatic calcification	Hepatic cyst	cyst Gallbladderstone	Renal cyst	Renal calculus	Other abnormalities
Low-dose （n=179）	5	7	27	13	38	31	58
Ultra-low-dose （n=177）	5	7	27	11	38	31	58

2.2图像质量评价2.2.1客观评价

LD-FBP、ULD-DLIR-L、ULD-DLIR-M、ULD-DLIR-H四组图像所测肝脏、脾脏、肾脏、主动脉、腰大肌、皮下脂肪的CT值相似，差异无统计学意义。四组图像的SD值差异有统计学意义（P<0.001）；3种DLIR算法中，随重建等级升高SD值逐渐降低，ULD-DLIR-L组图像的SD值最高；四组图像间SNR和CNR值差异具有统计学意义，3种DLIR算法间随重建等级升高，SNR和CNR逐渐升高，ULD-DLIR-L组图像的SNR和CNR值最低；组间两两比较显示ULD-DLIR-M组与LD-FBP组SNR和CNR值差异无统计学意义，其余组间两两比较差异均有统计学意义。见表2。

10.19405/j.cnki.issn1000–1492.2026.04.001.T002

表2

不同辐射剂量及图像重建的图像客观图像质量评价（x¯±s）

Tab.2Objective image quality among different dose levels and reconstruction methods （<inline-formula><alternatives><mml:math id="M3"><mml:mover accent="true"><mml:mi>x</mml:mi><mml:mo>¯</mml:mo></mml:mover></mml:math><graphic specific-use="big" xlink:href="alternativeImage/AFD9F435-ABC2-4180-8180-5FA17FE08448-M002.jpg"><?fx-imagestate width="1.35466671" height="2.03200006"?></graphic><graphic specific-use="small" xlink:href="alternativeImage/AFD9F435-ABC2-4180-8180-5FA17FE08448-M002c.jpg"><?fx-imagestate width="1.35466671" height="2.03200006"?></graphic></alternatives></inline-formula>±<italic>s</italic>）

Parameter	LD-FBP group	ULD-DLIR-L group	ULD-DLIR-M group	ULD-DLIR-H group	F value	P value
CT value （HU）
Liver	61.21±7.55	60.64±8.03	60.66±7.98	60.68±7.91	0.277	0.842
Spleen	51.14±4.50	51.09±4.66	51.09±4.52	51.12±4.40	0.879	0.456
Kidney	34.62±4.33	34.38±4.69	34.55±4.58	34.58±4.40	0.745	0.528
Aorta	40.32±8.09	39.45±9.06	40.20±7.76	40.26±7.91	0.458	0.713
Psoas muscle	51.34±6.59	50.48±6.00	50.45±5.87	50.42±5.79	0.708	0.550
Subcutaneous fat	-112.81±111.12	-100.53±13.96	-100.49±13.92	-100.42±13.90	1.357	0.262
SD value
Liver	25.81±2.10	33.59±2.67	25.77±1.96	17.57±1.43	2 886.464	<0.001
Spleen	24.40±2.28	31.65±3.11	24.27±2.37	16.39±1.58	2 404.065	<0.001
Kidney	24.56±2.59	31.68±3.14	24.29±2.38	16.34±1.62	2 004.104	<0.001
Aorta	27.59±3.75	34.84±3.11	27.12±2.73	18.44±1.92	2 450.480	<0.001
Psoas muscle	24.46±2.72	31.66±3.37	24.24±2.65	16.29±2.00	2 267.948	<0.001
Subcutaneous fat	23.43±3.13	26.91±3.10	20.34±2.30	13.34±1.67	1 836.190	<0.001
SNR value
Liver	2.38±0.33^*	1.81±0.25	2.36±0.32^*	3.46±0.46	1 496.429	<0.001
Spleen	2.11±0.26^*	1.62±0.20	2.12±0.26^*	3.14±0.38	1 644.765	<0.001
Kidney	1.42±0.24^*	1.09±0.19	1.43±0.24^*	2.14±0.36	798.820	<0.001
Aorta	1.49±0.41^*	1.14±0.28	1.50±0.34^*	2.21±0.53	360.257	<0.001
Psoas muscle	2.12±0.35^*	1.61±0.24	2.10±0.32^*	3.14±0.52	1 127.920	<0.001
CNR value
Liver	7.50±4.16^*	6.06±0.96	8.03±1.29^*	12.29±2.19	1 069.047	<0.001
Spleen	7.05±4.13^*	5.70±0.82	7.54±1.13^*	11.56±1.97	1 230.725	<0.001
Kidney	6.34±4.14^*	5.07±0.76	6.72±1.02^*	10.29±1.77	1 099.029	<0.001
Aorta	6.58±4.24^*	5.25±0.82	6.99±1.10^*	10.73±1.93	497.574	<0.001
Psoas muscle	7.07±4.17^*	5.68±0.85	7.51±1.16^*	11.51±2.00	1 070.300	<0.001

^*： in the intergroup comparisons of SNR and CNR values， there was no statistically significant difference between the ULD-DLIR-M and LD-FBP groups （P>0.05）， while the differences in SNR and CNR values between any other two groups were statistically significant （P<0.05）.

2.2.2主观评价

2位放射科医师主观评分一致性很好，Kappa值为0.822~0.883。如表3所示：ULD-DLIR-H组图像主观评分接近LD-FBP组图像，差异无统计学意义。ULD-DLIR-L和ULD-DLIR-M组图像主观评分低于LD-FBP组图像，差异有统计学意义（P<0.001）。图1A-1D为1例左肾高密度结石图像，主观评价示图1B的图像噪声较图1A大，各组织之间图像对比度低于图1A；图1C图像噪声和组织间对比度接近图1A；图1D图像噪声较图1A低，各组织之间对比良好。四组图像在较小高密度结石（≤2 mm）上均能清晰显示。图2为1例低密度先天性胆管囊性扩张症图像，主观评价示图2B图像噪声较图2A大，各组织之间图像对比度低于图2A，病灶边缘较模糊；图2C图像总体主观评分接近图2A；图2D图像噪声较图2A低，各组织之间对比良好，病灶及边缘显示清晰。四组图像均能显示低密度囊性病变。

10.19405/j.cnki.issn1000–1492.2026.04.001.T003

表3

不同辐射剂量及图像重建的图像主观图像质量评价［M（Q₁，Q₃）］

Tab.3Subjective image quality among different dose levels and reconstruction methods ［<italic>M</italic>（<italic>Q</italic><sub>1</sub>，<italic>Q</italic><sub>3</sub>）］

Group	LD-FBP	ULD-DLIR-L	ULD-DLIR-M	ULD-DLIR-H	χ²value	P value
Radiologist 1
Image quality	5（5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	251.054	<0.001
Image noise	5 （5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	253.723	<0.001
Diagnostic confidence	5 （5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	252.714	<0.001
Radiologist 2
Image quality	5 （5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	252.714	<0.001
Image noise	5 （5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	253.421	<0.001
Diagnostic confidence	5 （5，5）^*	3 （3，3）	4 （4，4）	5 （5，5）^*	251.728	<0.001

^*： indicates that there is no statistically significant difference between the ULD-DLIR-H and LD-FBP groups （P>0.05）， whereas other pairwise comparisons show statistically significant differences （P<0.05）.

10.19405/j.cnki.issn1000–1492.2026.04.001.F001

图1左肾高密度结石在不同重建图像上的比较Fig.1Comparison of different reconstruction algorithmsfor a high-density left renal calculus

A： The low-dose CT reconstructed by FBP； B： The ultra-low-dose CT reconstructed by DLIR-L； C： The ultra-low-dose CT reconstructed by DLIR-M； D： The ultra-low-dose CT reconstructed by DLIR-H. All four sets of images clearly visualized small calculi （≤2 mm）， as indicated by white arrows.

10.19405/j.cnki.issn1000–1492.2026.04.001.F002

图2先天性胆管囊性扩张症在不同重建图像上的比较Fig.2Comparison of different reconstructionalgorithms for congenital choledochal cysts

A： The low-dose CT reconstructed by FBP； B： The ultra-low-dose CT reconstructed by DLIR-L； C： The ultra-low-dose CT reconstructed by DLIR-M； D： The ultra-low-dose CT reconstructed by DLIR-H. Cystic lesions with low attenuation were well visualized in all four groups of images ， as indicated by white arrows in the corresponding figures.

3讨论

近年来，辐射防护安全问题备受医学界关注，作为金标准的FBP图像重建算法已经无法在图像质量与辐射剂量之间达到完美平衡^［9］。随着人工智能在医学领域广泛的应用与发展，基于深度卷积神经网络（deep convolutional neural network， DCNN）的DLIR重建算法应运而生，在医学影像技术和诊断中快速应用和发展^［10］。DLIR算法以高剂量的FBP图像进行建模，对LD条件采样的图像不断校正和优化，既有效减少图像中的噪声和伪影，又真实的还原图像的纹理特征，且不影响重建速度，在保证图像诊断准确性的同时大大降低了辐射剂量，为有效降低CT辐射剂量提供了新方法。本研究将腹部CT扫描的FBP和DLIR重建图像进行对比，结合对图像质量的客观、主观评分等指标，证实了DLIR在ULD腹部CT平扫中具有降低噪声，改善图像质量和提高诊断信心的优势。

本研究对比了不同辐射剂量条件下FBP与DLIR重建算法的图像质量，研究结果显示，ULD-DLIR-M和ULD-DLIR-H两组图像都能有效降低腹部CT平扫的SD值并提升SNR和CNR值，ULD-DLIR-H在四组图像比较中获得了最低的SD值和最高的SNR和CNR值，表明在ULD条件下，中高权重的DLIR重建图像质量能够得到大幅度改善。Racine et al^［11］研究表明，与FBP相比，DLIR-H的辐射剂量可以实现高达67%的显著降低，图像质量满足诊断要求。本研究采用了更低的辐射剂量（0.84 mSv vs 6.95 mSv），在同样满足图像质量诊断需求的前提下，辐射剂量降低了88%，ULD组除了在胆囊结石的检出率略低于LD组外，其他诊断结果和LD组一致，可能与本研究中胆囊结石的样本量较小、胆囊结石的成分多样化有关。

在主观评分方面，ULD-DLIR-L和ULD-DLIR-M组评分低于LD-FBP组，ULD-DLIR-H组的图像质量评分与LD-FBP组图像质量评分相近，但ULD-DLIR-H组的视觉效果更佳，提示高权重的DLIR能够更有效的提高图像质量。Noda et al^［12］研究发现，在降低约80%的辐射剂量下，DLIR能够保持与标准剂量同样的图像质量和诊断信心，为DLIR在腹部LD CT的应用提供了可行性依据。在本次85例研究对象中，ULD组的诊断结果与LD组诊断基本一致，再次证明了ULD条件下DLIR能够重建出与LD条件下 FBP同样的图像质量，满足诊断要求。

本研究存在的不足：① 该研究是单中心研究，且样本量较小，可能存在结果偏倚；② 研究只设定了在固定的Kv和智能mA范围内比较两组不同噪声指数下的高低辐射结果，在后续研究中，可将调整不同Kv、mA、NI等相关参数进行比较，以实现腹部ULD的最优成像结果。

综上所述，ULD-DLIR-H组图像大幅降低SD值、提高SNR和CNR值，有效改善图像质量，为DLIR在ULD腹部CT平扫中应用提供参考依据。

参考文献1

Parakh

， Cao

， Pierce

T T

， et al. Sinogram-based deep learning image reconstruction technique in abdominal CT： image quality considerations［J］. Eur Radiol， 2021， 31（11）： 8342-53. doi：10.1007/s00330-021-07952-4.

Gohla

， Örgel

， Klose

， et al. Comparison of ADMIRE， SAFIRE， and filtered back projection in standard and low-dose non-enhanced head CT［J］. Diagnostics， 2025， 15（12）： 1541. doi：10.3390/diagnostics15121541.

Zhang

， Zhang

， Xu

， et al. Value of deep learning reconstruction at ultra-low-dose CT for evaluation of urolithiasis［J］. Eur Radiol， 2022， 32（9）： 5954-63. doi：10.1007/s00330-022-08739-x.

Koetzier

L R

， Mastrodicasa

， Szczykutowicz

T P

， et al. Deep learning image reconstruction for CT： technical principles and clinical prospects［J］. Radiology， 2023， 306（3）： e221257. doi：10.1148/radiol.221257.

李云成，邓　炜，李小虎. 深度学习重建算法的原理及其在腹部CT临床应用进展［J］. 中国医学影像学杂志， 2025， 33（1）： 102-6. doi：10.3969/j.issn.1005-5185.2025.01.019.

Y C

， Deng

， Li

X H

. Principles of deep learning reconstruction algorithm and its clinical application progress in abdominal CT［J］. Chin J Med Imag， 2025， 33（1）： 102-6. doi：10.3969/j.issn.1005-5185.2025.01.019.

李云成，李裕国，杨君琳，等. 应用深度学习图像重建算法提高低辐射剂量肝脏能谱CT图像质量和病灶诊断信心的临床研究［J］. 中华放射学杂志， 2025， 59（1）： 43-9. doi：10.3760/cma.j.cn112149-20240327-00160.

Y C

， Li

Y G

， Yang

J L

， et al. A clinical study of deep learning image reconstruction algorithms in liver dual-energy CT with reduced radiation dose to further improve image quality and lesion diagnostic confidence［J］. Chin J Radiol， 2025， 59（1）： 43-9. doi：10.3760/cma.j.cn112149-20240327-00160.

Sato

， Ichikawa

， Domae

， et al. Deep learning image reconstruction for improving image quality of contrast-enhanced dual-energy CT in abdomen［J］. Eur Radiol， 2022， 32（8）： 5499-507. doi：10.1007/s00330-022-08647-0.

Greffier

， Hamard

， Pereira

， 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. doi：10.1007/s00330-020-06724-w.

Zhang

， Zhang

， Xu

， et al. Application of deep learning reconstruction of ultra-low-dose abdominal CT in the diagnosis of renal calculi［J］. Insights Imaging， 2022， 13（1）： 163. doi：10.1186/s13244-022-01300-w.

王传彬，李翠平，曹锋，等. 基于CT临床放射组学列线图与深度学习鉴别非典型肺错构瘤和肺腺癌［J］. 安徽医科大学学报， 2024， 59（2）： 344-50. doi：10.19405/j.cnki.issn1000-1492.2024.02.026.

Wang

C B

， Li

C P

， Cao

， et al. Clinical radiomics nomogram and deep learning based on CT in discriminating atypical pulmonary hamartoma from lung adenocarcinoma［J］. Acta Univ Med Anhui， 2024， 59（2）： 344-50. doi：10.19405/j.cnki.issn1000-1492.2024.02.026.

Racine

， Becce

， Viry

， 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. doi：10.1016/j.ejmp.2020.06.004.

Noda

， Kaga

， Kawai

， et al. Low-dose whole-body CT using deep learning image reconstruction： image quality and lesion detection［J］. Br J Radiol， 2021， 94（1121）： 20201329. doi：10.1259/bjr.20201329.

唐星, 李云成, 束宏敏, 等. 深度学习图像重建算法在超低剂量腹部CT平扫中的应用价值[J]. 安徽医科大学学报, 2026, 61(04): 758-762.

Tang Xing, Li Yuncheng, Shu Hongmin, et al. The application value of deep learning image reconstruction algorithm in ultra-low dose abdominal CT scanning[J]. Acta Universitatis Medicinalis Anhui, 2026, 61(04): 758-762.