Abstract Photon-counting CT has a completely different detector mechanism than conventional energy-integrating CT. In the photon-counting detector, X-rays are directly converted into electrons and received as electrical signals. Photon-counting CT provides virtual monochromatic images with a high contrast-to-noise ratio for abdominal CT imaging and may improve the ability to visualize small or low-contrast lesions. In addition, photon-counting CT may offer the possibility of reducing radiation dose. This review provides an overview of the actual clinical operation of photon-counting CT and its diagnostic utility in abdominal imaging. We also describe the clinical implications of photon-counting CT including imaging of hepatocellular carcinoma, liver metastases, hepatic steatosis, pancreatic cancer, intraductal mucinous neoplasm of the pancreas, and thrombus. Graphical Abstract

Abstract Purpose To compare image quality and visibility of anatomical structures on contrast-enhanced thin-slice abdominal CT images reconstructed using super-resolution deep learning reconstruction (SR-DLR), deep learning-based reconstruction (DLR), and hybrid iterative reconstruction (HIR) algorithms. Materials and methods This retrospective study included 54 consecutive patients who underwent contrast-enhanced abdominal CT. Thin-slice images (0.5 mm thickness) were reconstructed using SR-DLR, DLR, and HIR. Objective image noise and contrast-to-noise ratio (CNR) for liver parenchyma relative to muscle were assessed. Two radiologists independently graded image quality using a 5-point rating scale for image noise, sharpness, artifact/blur, and overall image quality. They also graded the visibility of small vessels, main pancreatic duct, ureters, adrenal glands, and right adrenal vein on a 5-point scale. Results SR-DLR yielded significantly lower objective image noise and higher CNR than DLR and HIR ( P < .001). The visual scores of SR-DLR for image noise, sharpness, and overall image quality were significantly higher than those of DLR and HIR for both readers ( P < .001). Both readers scored significantly higher on SR-DLR than on HIR for visibility for all structures ( P < .01), and at least one reader scored significantly higher on SR-DLR than on DLR for visibility for all structures ( P < .05). Conclusion SR-DLR reduced image noise and improved image quality of thin-slice abdominal CT images compared to HIR and DLR. This technique is expected to enable further detailed evaluation of small structures.

Motivation: Super-resolution deep learning reconstruction (SR-DLR) can simultaneously reduce noise and improve spatial resolution. Goal(s): Our goal was to evaluate the usefulness of SR-DLR in prostate T2-weighted imaging (T2WI) with conventional and reduced acquisition times. Approach: SR-DLR was applied to both conventional acquisition time T2WI and short acquisition time T2WI. Visibility of the anatomical structures of the prostate and image quality were evaluated. Results: SR-DLR significantly improved image quality of prostate T2WI and visibility of detailed anatomical structures, especially in the small structures such as ejaculatory ducts. Impact: SR-DLR improves T2WI image quality in prostate MRI and improves the visibility of detailed anatomical structures, and has the potential to reduce acquisition time while maintaining adequate image quality for diagnosis.