目的 与常规多模型迭代重建(adaptive statistical iterative reconstruction Veo，ASIR-V)相比，评估深度学习图像重建(deep learning image reconstruction，DLIR)提高能谱CT单能量图像的图像质量和病灶诊断检出率的可行性。方法 随机纳入65例完成腹部能谱CT扫描的患者，对病人的门脉期扫描数据分别增加在薄层(1.25mm)层厚下的ASIR-V40%、DLIR-M(中度)、DLIR-H(高度)三种重建方式进行重建。获取70keV条件下常规5mm 的ASIR-V40%及薄层(1.25mm) 的ASIR-V40%、DLIR-M、DLIR-H共4组的门脉期图像。对4组图像的肝脏、脾脏、竖脊肌及背部脂肪进行CT值、SD值的测量，并计算相应的SNR及CNR。此外，计算薄层(1.25mm)的3组数据中肝脏病灶在门脉期图像的检出率。图像质量主观评分及病灶的诊断信心由2名有着丰富阅片经验的放射科医师进行评分。结果 对于能谱扫描下70keV的薄层(1.25mm)图像，DLIR-M组和DLIR-H组较ASIR-V40%组的肝脏、脾脏、竖脊肌及背部脂肪的SD值更低，SNR、CNR更高(P均<0.001)，且三组数据的病灶检出率一致，而DLIR-M组和DLIR-H组的诊断信心和图像质量主观评分均高于ASIR-V40%组，其中DLIR-H组分数最佳。此外，70keV的薄层(1.25mm)DLIR-H组图像的SD值、CNR较70keV的常规5mmASIR-V40%组比较无明显统计学差异(P=0.211,0.358,0.208,0.052)。结论 和常规的多模型迭代重建算法(ASIR-V)相比，用深度学习重建算法(DLIR)获得的能谱单能量图像能在保证理想的诊断性能的前提下，进一步降低腹部CT的图像噪声，获得更好的图像质量和更高的病灶诊断信心。同时，与70keV+ASIR-V40%相比，70keV+DLIR-H能够在相似图像噪声的情况下实现更薄层厚图像重建。