Impact of iterative reconstruction vs. filtered back projection on image quality in 320-slice CT coronary angiography
Notice bibliographique
Résumé
Iterative reconstruction has been shown to reduce image noise compared with traditional filtered back projection with quantum denoising software (FBP/QDS+) in CT imaging but few comparisons have been made in the same patients without the influence of interindividual factors. The objective of this study was to investigate the impact of adaptive iterative dose reduction in 3-dimensional (AIDR 3D) and FBP/QDS+-based image reconstruction on image quality in the same patients.We randomly selected 100 patients enrolled in the coronary evaluation using 320-slice CT study who underwent CT coronary angiography using prospectively electrocardiogram triggered image acquisition with a 320-detector scanner. Both FBP/QDS+ and AIDR 3D reconstructions were performed using original data. Studies were blindly analyzed for image quality by measuring the signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR). Image quality was assessed qualitatively using a 4-point scale.Median age was 63 years (interquartile range [IQR]: 56-71) and 72% were men, median body mass index 27 (IQR: 24-30) and median calcium score 222 (IQR: 11-644). For all regions of interest, mean image noise was lower for AIDR 3D vs. FBP/QDS+ (31.69 vs. 34.37, P ≤ .001). SNR and CNR were significantly higher for AIDR 3D vs. FBP/QDS+ (16.28 vs. 14.64, P < .001 and 19.21 vs. 17.06, P < .001, respectively). Subjective (qualitative) image quality scores were better using AIDR 3D vs. FBP/QDS+ with means of 1.6 and 1.74, respectively (P ≤ .001).Assessed in the same individuals, iterative reconstruction decreased image noise and raised SNR/CNR as well as subjective image quality scores compared with traditional FBP/QDS+ in 320-slice CT coronary angiography at standard radiation doses.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».