본 연구는 세 가지 흔한 손목 골절(원위요골(distal radius), 척골 경상돌기(ulnar styloid process), 주상골(scaphoid))을 검출하기 위한 인공지능(AI) 모델의 타당성 및 성능을 평가하고자 하였다. 해당 AI 모델은 골절 및 비골절 손목 이미지를 모두 포함하는 4432장의 이미지 데이터세트로 학습하였다. 임상 시험에는 총 593명의 피험자가 포함되었다. 두 명의 사람 전문가가 골절 부위를 독립적으로 진단하고, 경계 상자(bounding boxes)를 이용하여 정답(ground truth)을 구축하기 위해 라벨링하였다. 또한 두 명의 초보 영상의학과 의사도 모델 보조 유무에 관계없이 동일한 과제를 수행하였다. 손목 각 부위별로 민감도, 특이도, 정확도 및 곡선하면적(area under the curve, AUC)을 산출하였다. 손목당 원위요골, 척골 경상돌기, 주상골 골절 검출을 위한 AUC는 각각 0.903 (95% C.I. 0.887-0.918), 0.925 (95% C.I. 0.911-0.939), 0.808 (95% C.I. 0.748-0.967)이었다. AI 모델의 보조를 받았을 때 두 명의 초보 영상의학과 의사의 주상골 골절 AUC는 각각 0.75 (95% C.I. 0.66-0.83)에서 0.85 (95% C.I. 0.77-0.93)로, 그리고 0.71 (95% C.I. 0.62-0.80)에서 0.80 (95% C.I. 0.71-0.88)로 유의하게 증가하였다. 전반적으로, 개발된 AI 모델은 손목 골절 검출에 신뢰할 만한 것으로 확인되었으며, 특히 흔히 놓치기 쉬운 주상골 골절에서 그 성능이 두드러졌다.

목적: 딥러닝 기반 영상 재구성(DLIR) 엔진을 사용해 획득한 CT 영상의 화질을 적응적 통계적 반복 재구성-V(AV) 영상과 비교하고자 한다. 재료 및 방법: 팬텀을 이용하여 다양한 재구성 방식(필터드 백 프로젝션[FBP], AV30, 50, 100, DLIR-L, M, H)에서 서로 다른 선량 조건에 대해 잡음 전력 스펙트럼(NPS)과 과업 기반 전달함수(TTF)를 측정하였다. 선량을 30% 감량한 120개의 복부 CT를 AV30, AV50, DLIR-L, M, H로 처리하였다. 객관적 및 주관적 분석을 수행하였다. 결과: ). 결론: DLIR은 방사선 선량을 감소시킨 조건에서 향상된 영상 품질과 감소된 잡음을 보였다.