简介：摘要目的探讨应用深度学习图像重建（DLIR）算法对实验猪心肌动态CT灌注（CTP）图像质量的提升程度以及该算法对心肌血流量（MBF）计算的影响。方法麻醉状态下对5只家猪进行静息与负荷动态CTP扫描，扫描管电压均为100 kV，低剂量与高剂量管电流分别设置为150、300 mA。低剂量扫描数据图像重建采用传统滤波反投影（FBP）及DLIR 3种不同强度（低、中、高），高剂量扫描数据图像重建仅采用FBP。客观评价及主观评价（5分制）图像质量，客观评价包括图像噪声、信噪比（SNR）、对比噪声比（CNR）。采用线性回归对DLIR算法强度和图像质量的线性趋势进行检验。采用Shapiro-Wilk检验数据正态性，正态数据比较采用配对t检验，非正态数据比较采用Wilcoxon秩和检验。结果高剂量扫描方案与低剂量扫描方案平均有效辐射剂量分别为7.2、3.8 mSv，差异有统计学意义（t=282.50，P<0.001）。低剂量下获得的图像随着DLIR强度的升高图像噪声逐渐减低，图像SNR及CNR逐渐增高（F=60.10、35.87、41.41，P均<0.001）。低剂量下高强度DLIR图像与高剂量FBP图像的噪声分别为（31.7±3.1）、（38.2±1.2）HU，SNR分别为16.6±2.0、13.8±0.8，CNR分别为14.5±1.7、11.6±0.9，差异均有统计学意义（t值分别为5.70、4.15、5.68，P值均<0.05）。低剂量下高强度DLIR图像与高剂量FBP图像主观评分分别为（4.8±0.4）、（4.2±0.6）分，差异有统计学意义（Z=2.12，P<0.05）。低剂量下FBP图像与高强度DLIR图像计算MBF在静息状态下分别为（81.3±17.3）、（79.9±18.3）ml·100 ml-1·min-1，负荷状态下分别为（99.4±24.9）、（100.7±27.3）ml·100 ml-1·min-1，差异均无统计学意义（t值分别为1.10、0.89，P>0.05）。结论应用高强度DLIR算法有利于实现实验猪低剂量心肌动态CTP，可明显提升图像质量，同时对MBF计算无明显影响。