Advanced intelligent Clear-IQ Engine (AiCE) of Coronary CT Angiography in 640 MSCT: Effect on Image Quality Compared with Deep Learning Reconstruction and Iterative Reconstruction

640 MSCT에서 관상동맥 전산화단층촬영 혈관조영술 검사 시 Advanced Intelligent Clear-IQ Engine (AiCE)를 이용한 딥 러닝 재구성기법의 유용성 평가.

목적: 최근에는 인공지능의 출현과 함께 CT를 위한 인공지능 기반 영상 재구성 기법의 개발로 환자가 받는 피폭선량을 감소시키고 영상의 노이즈를 줄이며, 동일 선량일 때 분해능을 증가시키는 등 다양한 장점이 있다. 본 연구에서는 최초의 상용화 된 인공지능 기반 재구성 기법(이하 AiCE)의 이미지 품질이 CCTA에서 필터보정 역투영법 및 반복적 재구성 기법과 비교하여 임상적 유용성에 대해서 평가해 보고자 하였다. 대상 및 방법: 이 연구는 환자 연구와 팬텀 연구로 구분하였고, 체질량지수에 따라 3개의 군으로 분류하였다. 동일 환자에게서 필터보정 역투영법, 반복적 재구성 기법, AiCE로 영상을 재구성하였다. 팬텀 연구는 인체모형 흉부팬텀 내 대동맥 기부 및 좌주관상동맥을 표현할 수 있도록 무침 주사기를 설치하였고, 3개의 재구성 기법을 사용하여 영상을 획득 하였다. 이미지 품질을 객관적으로 평가하기 위해 각 데이터에 대해 4가지 매개 변수인 영상잡음, CT 밀도, 신호 대 잡음비, 대조도 대 잡음비를 분석 하였다. 결과: AiCE는 필터보정 역투영법에 비해 노이즈가 51.46 % 감소되었고, 반복적 재구성 기법에 비해 30.13 % 감소한 것을 알 수 있었다. 또한 체질량지수 분포에 상관없이 AiCE는 반복적 재구성 기법에 비해 노이즈 개선 효과가 상당히 뚜렷하게 나타났다. AiCE는 필터보정 역투영법, 반복적 재구성 기법에 비해 큰 체질량지수 범주에서 노이즈가 크게 감소하고 더 나은 이미지 품질을 보여주었다. 결론: 필터보정 역투영법, 반복적 재구성 기법의 이미지와 비교하여 AiCE는 이미지 노이즈를 줄이고 신호 대 잡음비 및 대조도 대 잡음비와 같은 이미지의 매개변수를 개선하는데 매우 효과적인 것을 알 수 있었다. AiCE의 개선 효과는 체질량지수가 클수록 증가함을 알 수 있었다.

Purpose: The development of Deep Learinig Reconstruction(DLR) technology for CT has various advantages, including reducing exposure dose received by patients, reducing noise in images, and increasing resolution at the same dose. In this work, we wanted to evaluate the image quality of Advanced Intelligent Clear-IQ Engine(AiCE) on clinical utility compared to Filtered Back Projection(FBP) and Iterative Reconstruction(Adaptive Iterative Dose Reduction 3D; AIDR3D) in Coronary CT Angiography. Material and method: This study was divided into three groups according to BMI, and the subject study was divided into two groups: patient study and phantom study. We reconstruct the images using three algorithms: FBP, AIDR3D, and AiCE in the same patient. Phantom study was designed to represent Aortic root and Left main coronary arty in Lungman Phantom, and reconstructed images using three algorithms. To objectively evaluate image quality, we analyze four parameters: Image noise, CT density, Signal-to-noise ratio(SNR) and Contrast-to-noise ratio(CNR) for each data. Result: AiCE reduced noise by 51.46 % compared to FBP. It was found that it was reduced by 30.13 % compared to AIDR3D. In addition, regardless of the BMI category, AiCE has a significant noise improvement effect compared to AIDR3D. AiCE showed significantly reduced noise and better image quality in the larger BMI category compared to FBP and AIDR3D. Conclusion: Compared to FBP, AIDR3D images, we find that AiCE is very effective in reducing image noise and improving parameters of images such as SNR and CNR. It was shown that the improvement effect of AiCE increased with a larger BMI.