VMI+聯合人工智能輔助診斷系統對顱內動脈瘤診斷價值的研究

韋鑫，陳維娟，鄧昊，余菡，曹聞挺，陳金華，劉楊

1.重慶醫科大學附屬第二醫院 放射科，重慶 400010；2.重慶醫科大學 醫學影像技術系，重慶 400010

引言

頭頸CT血管成像（CT angiography，CTA）作為目前診斷顱內動脈瘤（Intracranial Aneurysm，IA）臨床應用最廣的一項影像技術，其敏感度達93.3%，特異度達87.8%，甚至可以檢出直徑1.17 mm的動脈瘤[1]。然而，由于顱底骨質較厚，血管與顱骨貼合緊密，常規CT掃描存在CT值漂移和衰減平均效應，導致圖像質量降低，細小動脈顯示不佳，影響頭頸CTA對血管的有效評估[2]。雙能量CT（Dual-Energy CT，DECT）作為新一代影像檢查技術，不僅在減少顱骨偽影、微小動脈瘤檢測和降低輻射劑量方面相對常規CT具有一定優勢[3]，還能通過能級匹配技術優化圖像質量[4]。其虛擬單能量圖像（Virtual Monoenergetic Imaging Plus，VMI+）技術能實現任意單能量圖像重建，獲得血管與周圍組織最佳對比的單能圖像，有效顯示血管和周圍組織的強化差異，從而獲得高質量的CTA圖像[5]。另外，顱內動脈瘤的CTA診斷主要依靠影像科醫師的經驗，由于顱內血管結構復雜，人工讀片漏診、誤診頻發[6]。近年來，隨著深度學習的興起，人工智能（Artificial Intelligence，AI）已廣泛應用到醫療領域，有效提高了工作效率和診斷準確率，促進精準醫學在醫學影像的廣泛應用[7-10]。而國內關于AI在頭頸CTA IA的應用研究較少，因此本研究旨在初步探究VMI+技術不同虛擬能級在AI輔助診斷系統診斷IA檢出中的應用價值。

1 材料與方法

1.1 一般資料

回顧性收集本院于2020年8月1日至9月30日就診的41例臨床懷疑為IA患者。其中男11例，女30例，年齡34～84歲，平均（59.9±11.1）歲。主要臨床表現為突發劇烈頭痛、頭暈、嘔吐、肢體乏力或意識喪失等。排除標準：① 有血管內介入栓塞術、開顱手術等手術史；② 臨床資料或CTA資料不全面；③ 碘過敏、腎功能不全患者。本研究無倫理問題存在，所有患者均簽署知情同意書。

1.2 儀器與方法

頭頸CTA檢查采用西門子第三代雙源CT（SOMATOM Definition Force，Germany）。掃描參數：管電壓90/Sn150 kV，CAREDose 4D管電流自動調制技術，螺距0.7，層厚1.0 mm，層間距0.7 mm，重建成分軸為0.6。所有患者于右側肘前靜脈預埋18 G留置針，采用雙筒高壓注射器注入對比劑和生理鹽水。注射方案：采用非離子型造影劑碘普羅胺注射液（優維顯，370 mgI/mL）40 mL，注射流率4.5 mL/s，對比劑注射完成后以相同流率追加注入30 mL生理鹽水。使用對比劑智能追蹤技術觸發掃描，監測點置于主動脈弓區域，觸發閾值100 HU。

1.3 圖像處理與分析

將90 kV和Sn150 kV圖像上傳至Syngo Via工作站，使用VMI+軟件獲得9組虛擬單能量圖像（能級為40～120 keV，間隔為10 keV）。將9組虛擬單能量組和標準線性融合組（F_0.6，相當于加權120 kV圖像）共10組圖像上傳至Cerebral Doc頭頸AI智能輔助診斷系統進行自動圖像后處理及動脈瘤診斷。

（1）客觀評價：將10組重建圖像上傳至Syngo Via工作站，由1名5年以上神經放射學工作經驗的醫師使用復制、粘貼功能將大小為15 mm2的圓形ROI分別置于10組圖像頸總動脈分叉處和皮下脂肪，避開假牙偽影、骨質、鈣化等影響結果的部位，分別測量CT值（HU）及標準差（Standard Deviation，SD）值，為避免測量誤差，重復測量3次，取平均值為最終結果。用皮下脂肪的標準差SD表示圖像噪聲。圖像信噪比（Signal to Noise Ratio，SNR）和對比噪聲比（Contrast to Noise Ratio，CNR）的計算公式為：SNR=CT頸動脈/SD脂肪，CNR（CT頸動脈-CT脂肪）/SD脂肪。

（2）主觀評價：將標準線性融合（F_0.6）組圖像上傳至PACS工作站，由2名5年以上神經放射學工作經驗的醫師采用雙盲法分析，診斷有無動脈瘤，意見不統一時經共同討論達成一致，最終結果由1名10年以上神經放射學工作經驗的副主任醫師進行審核。

1.4 統計學分析

采用SPSS 25.0統計學軟件進行統計學分析。計量資料用（±s）表示，計數資料用例數或百分比表示。以最終審核結果為參考標準，AI輔助系統聯合標準線性融合（F_0.6）及VMI+對動脈瘤診斷效能的比較采用配對χ2檢驗。10組圖像的CT值、SNR和CNR采用配對Wilcoxon秩和檢驗進行統計分析。以P<0.05為差異有統計學意義。

2 結果

2.1 定性分析

41例患者中有22例最終診斷結果為IA，共26個動脈瘤，其中單發19例，多發3例。10組CTA圖像AI輔助診斷平臺動脈瘤檢出情況如表1和圖1所示，AI在40、110、120 keV組檢出準確率明顯低于高年資醫師，差異均具有統計學差異（P<0.05）。AI在50～100 keV、F_0.6組和高年資醫師具有相當的檢出效能，差異均無統計學意義（P>0.05），且50 keV受試者工作特征（Receiver Operating Characteristic，ROC）曲線下面積最大，為0.796（P=0.001）（ 圖2）。

表1 10組CTA圖像AI輔助診斷平臺動脈瘤檢出情況[n=45，n（%）]

圖1 某位患者CTA圖像AI輔助診斷平臺動脈瘤檢出情況

圖2 標準線性融合（F_0.6）組和VMI+（40～120 keV，間隔10 keV）組的ROC曲線

2.2 定量分

10組圖像中，VMI+重建圖像40～120 keV組CT值、SNR和CNR依次遞減（圖3）。相較于F_0.6組，CT值方面，40～60 keV組均明顯高于F_0.6組（P<0.05），70～120 keV組均低于F_0.6組（P<0.05）；SNR方面，40 keV和50 keV組均明顯高于F_0.6組（P<0.05），60 keV組與F_0.6組之間的差異無統計學意義（P=0.084），70～120 keV組均低于F_0.6組（P<0.05）；CNR方面，40 keV和50 keV組均明顯高于F_0.6組（P<0.05），60 keV組與F_0.6組之間的差異無統計學意義（P=0.399），70～120 keV組均低于F_0.6組（P<0.05）。

圖3 標準線性融合（F_0.6）組和VMI+（40～120 keV，間隔10 keV）組圖像

3 討論

IA的發病率僅次于缺血性腦卒中和腦出血，在普通人群中發病率約為3%～5%，發病高峰為55～60歲，早期發現、早期治療、及時干預可明顯降低致死率和致殘率[11]。頭頸血管成像已成為最常用的頭頸血管性病變的篩查技術與診斷方法，可快速、準確、全面、直觀地為診斷提供解剖病理信息，可作為檢出動脈瘤的首選方法，替代有創的DSA檢查[12]。

DECT通過兩個不同掃描參數的球管獨立進行掃描，同時獲取兩組不同能量的掃描數據，經過標準線性融合，將60%低能量數據和40%高能量數據融合生成一組F_0.6圖像，以模擬單球管120 kV時掃描數據，并且可以通過VMI+技術重建一系列不同虛擬能級的圖像。黃瑞歲等[13]研究證實了在低keV成像時，碘離子能譜衰減曲線與X線相近，光電效應的作用增強，能夠增加病灶、血管與周圍組織的CNR，更好地觀察組織細節。本研究結果表明相較于標準線性融合，40 keV組和50 keV組具有更高的CT值、SNR和CNR，60 keV組具有更高的CT值和相似的SNR和CNR，與以往研究結果[2,14-15]基本一致。

AI輔助診斷隨著深度學習的神經網絡算法和硬件設備支持的快速發展，AI在IA的篩查、診斷方面也取得了一定的進展。Park等[16]通過研究三維卷積神經網絡（Convolutional Neural Networks，CNN），開發并應用神經網絡分割模型在頭部CTA圖像上精準分割IA，其敏感度達到94.9%。Nakao等[17]利用三維數據的多角度投影，基于CNN和MIP算法，得到了94.2%的敏感度，證實了CAD系統在檢測IA的有效性。同時，Ueda等[18]采用ResNet-18網絡，訓練并驗證了683例748個動脈瘤MRA樣本，得到了93.0%的敏感度，表明深度學習能以較高的敏感度檢出IA并改善放射醫師對動脈瘤的檢出。本研究的方法是基于V-net網絡和3D U-net網絡分別進行骨分割和血管分割，確保血管精準提取，精準去骨，實現頭頸動脈血管的完整顯示，并能識別提取IA模型，有效檢出和評估IA[19]。此次研究通過AI自動識別并診斷的41例頭頸CTA圖像，能清晰地顯示各級血管，并準確檢出IA。與高年資診斷醫師相比，AI在50～100 keV及F_0.6圖像下均能有效檢出IA，檢出率最高可達78%，表明AI能準確檢出動脈瘤，與高年資診斷醫師的檢出結果無差異，且可以為影像科醫師提供更多客觀和定量信息來輔助診斷。通過分析筆者發現當CT值過高（如40 keV組）或者CT值過低（如低于110 keV以上組）時，AI對頭頸血管無法準確識別，無法進行IA的準確診斷。因此進行頭頸CTA檢查時，需要注意避免引起CT值過高或過低的影響因素，如注射速率、對比劑用量、延遲時間等。除此之外，還可進一步優化AI的參數設置，提高40 keV時的診斷符合率，以獲得更高SNR和CNR圖像。另外筆者發現AI對動脈瘤的誤診原因主要是將動脈血管起始部局限性膨大或將血管壁較大突起斑塊誤認，而漏診主要是由動脈瘤過小或分割過度，將部分管壁和骨質一起分割除去導致。

本研究的不足在于：① 未以DSA作為金標準進行對比；② 未對IA的位置、形態和大小進行評價；③ 本次研究發現該AI系統對血管的命名與患者檢查體位有關，如患者體位發生偏移，AI將無法準確識別血管分段；④ 本次研究結果的驗證集主要來自我院41例患者數據，數據量還不夠大，且數據樣本來源單一，因此診斷效能會受到一定影響。本研究后續將進一步納入已取得DSA結果的病例，基于VMI+針對AI對IA位置、形態、大小進行對比研究，對該智能輔助診斷系統將進行更深入的系統驗證，以進一步證實基于VMI+的AI在頭頸CTA IA的診斷價值。

本研究結果初步表明VMI+聯合AI輔助診斷系統能較準確地檢出IA，具有較高的診斷效能，具有重要的臨床應用價值，50 keV重建能夠顯著提高CTA圖像質量，具有最佳診斷效能，推薦其為最佳重建能級。