抽象的
在這項橫斷面分析方法比較研究中，我們評估了30隻犬貓的腦部磁振造影影像，分別在應用和未應用專為獸醫患者開發的基於DICOM的深度學習（DL）去雜訊演算法的情況下進行。定量比較方法是在每位患者相同的興趣區域，測量相同T2加權（T2W）、T2-FLAIR和梯度回波（GRE）序列腦部磁振造影影像（原始影像和去雜訊後影像）的信噪比（SNR）和對比雜訊比（CNR）。
隨後進行定性比較：三位經驗豐富的獸醫放射科醫師獨立評估每位病患的T2加權像、T2-FLAIR像和GRE像序列。原始影像和去雜訊影像分別進行評估，評估者對所評估的影像類型不知情。對於每種影像類型（原始影像和去雜訊影像）和脈衝序列類型的影像，他們分別對影像的粗糙度、對比度和整體品質進行主觀評分。
對於所有測試的影像序列（T2W、T2-FLAIR 和 GRE），經深度學習去雜訊演算法處理後的影像中，皮質灰質、皮質下白質、深部灰質和內囊的信噪比均顯著高於原始影像。同樣，對於所有測試的影像序列類型，經深度學習演算法處理後的影像中，皮質灰質與白質之間以及深部灰質與內囊之間的對比信噪比也顯著高於原始影像。
定性分析證實了這些結果，使用 DL 去雜訊演算法處理的影像在粗糙度、對比度和整體品質評分方面普遍更好。
在這項研究中，基於 DICOM 的深度學習去噪演算法降低了 1.5T MRI 犬貓腦部影像中的噪聲，放射科醫生感知到的影像品質得到了改善。