Principales publications scientifiques

Des images de haute qualité à faible dose de radiation sont nécessaires pour optimiser la détection précoce du cancer du poumon tout en minimisant les risques en aval d'une exposition répétée aux radiations dans le but d'obtenir les bénéfices du dépistage du cancer du poumon. 

Cette étude explore l'utilisation du filtre SilverBeam et d'un algorithme de reconstruction IA (AiCE) afin d'obtenir une réduction significative de la dose tout en préservant la qualité de l'image et la précision de la détection des nodules pulmonaires à différents niveaux de dose.

Conclusion:

« Le filtre Silver et la reconstruction par apprentissage profond peuvent améliorer de manière significative la qualité de l'image et la capacité de détection des nodules par rapport au filtre de cuivre et à d'autres méthodes de reconstruction pour chacune des doses de rayonnement utilisées. »

Télécharger ici nos derniers livres blancs et études de cas sur les solutions de dépistage du cancer du poumon utilisant les technologies Canon.

Vous trouverez ci dessous nos dernières données scientifiques sur les solutions de dépistage du cancer du poumon utilisant les technologies de Canon.

Hamada, A et al. | Comparison of deep-learning image reconstruction with hybrid iterative reconstruction for evaluating lung nodules with high-resolution computed tomography| Journal of Computer Assisted Tomography (2023)

Oshima, Y et al. | Capability for dose reduction while maintaining nodule detection: Comparison of silver and copper X- ray spectrum modulation filters for chest CT using a phantom study with different reconstruction methods|European Journal of Radiology (2023)

Goto, M et al. | Lung- optimized deep-learning-based reconstruction for ultralow-dose CT| Academic Radiology (2023)

Hamabuchi N et al. | Effectiveness of deep learning reconstruction on standard to ultra-low-dose high-definition chest CT images | Japanese Journal of Radiology (2023)

K. Boedeker et al. | Technical Evaluation of a Low Dose Lung Cancer Screening Computed Tomography Protocol using a Beam- Shaping Silver Filter and Deep Learning Reconstruction.

Watanabe, S et al.| Pulmonary nodule volumetric accuracy of a deep learning- based reconstruction algorithm in low- dose computed tomography: A phantom study | Physica Medica (2022)

Mikayama, R et al. | Deep-learning reconstruction for ultra- low- dose lung CT: volumetric measurement accuracy and reproducibility of artificial groundglass nodules in a phantom study|The British Journal of Radiology (2022)

Keiichi Nomura et al. | Radiation Dose Reduction for Computed Tomography Localizer Radiography Using an Ag Additional Filter | J Comput Assist Tomogr (2021)

Ortlieb, A. C et al. | Impact of Morphotype on Image Quality and Diagnostic Performance of Ultra-Low-Dose Chest CT | Journal of Clinical Medicine (2021)

Singh R et al. | Image Quality and Lesion Detection on Deep Learning Reconstruction and Iterative Reconstruction of Submillisievert Chest and Abdominal CT | American Journal of Roentgenology (2020)

Yanagawa, M et al. | Lung adenocarcinoma at CT with 0.25- mm section thickness and a 2048 matrix: high-spatial-resolution imaging for predicting invasiveness |Radiology (2020)

Tsubamoto, M et al. | Ultra high-resolution computed tomography with 1024-matrix: Comparison with 512-matrix for the evaluation of pulmonary nodules. |European Journal of Radiology (2020)

Lucia J M Kroft et al. | Added Value of Ultra-Low-Dose Computed Tomography, Dose Equivalent to Chest x-Ray Radiography, for Diagnosing Chest Pathology | J Thorac Imaging (2019)

Fujita, M et al. | Lung cancer screening with ultra-low dose CT using full iterative reconstruction | Japanese journal of radiology (2017)

Meyer, E. et al. | Wide-volume versus helical acquisition in unenhanced chest CT: prospective intra-patient comparison of diagnostic accuracy and radiation dose in an ultra- low-dose setting |European Radiology (2019)

Schaal, M. et al. | Diagnostic Performance of Ultra-Low-Dose Computed Tomography for Detecting Asbestos-Related Pleuropulmonary Diseases: Prospective Study in a Screening Setting| PLOS One (2016)

Kakinuma R et al. | Ultra-High-Resolution Computed Tomography of the Lung: Image Quality of a Prototype Scanner | PLoS ONE (2015)

Nomura, Y et al. | Effects of iterative reconstruction algorithms on computer-assisted detection (CAD) software for lung nodules in ultra- low- dose CT for lung cancer screening |Academic Radiology (2017)

Abonnez-vous à notre bulletin d'information pour recevoir des mises à jour sur nos événements éducatifs et des informations scientifiques.