RSNA2020 醫學影像技術研究進展

周銥然，吳迪，方紀成，劉棟，魯君，甘桐嘉，劉宇飛，姚義好，張爍琪，陳佳，朱文珍

計算機體層攝影(CT)

1.提高圖像質量

Wang等在配備雙層平板探測器的錐束CT系統上應用了一種新的基于模型的物質分離方法(model-based material decomposition，MBMD)，用于高分辨率光譜CT成像。基于雙層平板探測器的原型，其頂部為200 μm的碘化銫(CsI)閃爍晶體，采集相對低能量的數據，底部為550 μm的CsI閃爍晶體，采集相對高能量通道的數據。兩個通道都采用2880×2880個150 μm的像素組成的非晶硅(a-Si)探測器面板。兩層之間的1 mm銅過濾層提高了光譜分離效率。MBMD方法通過獲取特定通道相關的模糊核函數直接估計材料密度分布。將3D打印模型浸入50 mg/mL的碘溶液中，采用濾波反投影法(filtered back projection，FBP)重建的圖像域分解法(IDD)、理想模型MBMD(iMBMD)和系統模糊建模MBMD(bMBMD)三種方法測量水和碘的密度體積，發現MBMD法顯著降低了噪聲，提高了空間分辨率，且bMBMD較iMBMD的效果更好。

傳統的快速千伏(kV)切換雙能量CT(dual energy computed tomography，DECT)在每個kV時需收集足夠的圖像，同時要求頻繁的kV切換，限制了有效的管電流調試。目前提出了一種用于快速kV切換DECT的級聯深度學習重建方法，采用稀疏kV采樣切換，減少了對頻繁kV切換的依賴，保持圖像分辨率，有效地實現數據域物質分離。使用Aquilion ONE PRISM系統采集kV切換數據，通過每隔幾個視圖切換kV來實現稀疏kV采樣，將該方法與采用標準AIDR3D方法的雙旋轉DECT的結果進行比較。結果表明采用稀疏kV切換方法的圖像質量與標準方法相似或略有改善。同時在相近輻射劑量水平下，該方法噪聲降低35%，提高了對比度與分辨率。

對去噪框架采用遷移學習算法：通過重復掃描體模噪聲疊加到自然圖像上以模擬不同劑量水平的CT圖像，然后訓練卷積神經網絡(convolutional neural networks，CNN)去除疊加的CT噪聲并恢復底層的自然圖像。該技術在從光子探測計數器(photon counting detector，PCD)CT掃描儀得到的5名患者的150 μm分辨率胸部CT圖像進行了測試，對噪聲和邊緣銳度進行視覺評估。與使用FBP和銳度重建核生成的圖像相比，CNN法可降低74.2%±0.2%的噪聲，在去噪圖像中良好的解剖細節被保留，肩部、骨皮質的尖銳邊界也得到很好的維持。該研究開發的CNN去噪框架算法提供了廣泛的降噪水平，同時保持良好的解剖特征，可廣泛應用。

近年來金屬偽影消除重建技術已被開發，其在超高分辨率CT(ultra high resolution CT，UHR-CT)中的應用也已得到證實。通過自制的金屬螺栓、金屬義齒模型，使用UHR-CT和金屬偽影消除重建對偽影消除的效果進行了評估，結果表明與常規CT相比，UHR-CT不僅具有較高的空間分辨率，而且具有更好的偽影消除效果。

錐形束CT(cone beam CT，CBCT)越來越多地用于介入放射學(IR)，要求可靠的脈管系統和軟組織的可視化，其圖像質量面臨的挑戰包括復雜變形運動和缺乏對比度分辨率。Sisniega等通過可變形運動補償和加速的基于模型的迭代重建(model-based iterative reconstruction，MBIR)解決了這些問題。運動破壞重建被輸入到一個決策框架，該框架實施了一個深度CNN(在105個模擬運動案例上訓練)，以估計局部運動幅度，若檢測到顯著運動，可變形運動補償由聯合自動對焦優化。最后用懲罰加權最小二乘法(penalized weighted least squares，PWLS)重建CBCT數據。該方法在10例患者中進行了驗證，顯示可變形運動補償大大改善了軟組織結構和精細脈管系統的可視化，加速后的PWLS在約40 s內即達到足夠的收斂速度(未加速則需10000 s)。與FBP相比，PWLS圖像的軟組織對比度提高了約17%。

基于單色圖像的雙能譜CT在螺旋CT尿路造影(CTU)一鍵快速骨減影中的應用可提高其剪影成功率，以高效率獲得高質量的圖像。兩組CTU患者分別接受該方法和常規掃描方式，結果表明在同等輻射劑量下，120 kV雙能譜CTU快速減影成功率明顯高于常規120 kV圖像。雙能譜CTU的最佳能量水平為80 kV，其圖像質量評分最高。

2.輻射劑量

CT輻射劑量一直以來都是備受關注的問題，目前已進行了許多關于降低其輻射劑量的研究。預濾主要去除X射線光譜中的低能量光子，可減少光束硬化偽影，使患者接受的輻照劑量顯著減少。然而由于低能量光子幾乎完全被吸收，對圖像質量沒有貢獻，為了達到相似的圖像質量，需要隨著預濾柵厚度的增加而提升球管功率。Steidel等的研究表明：增加錫預濾柵厚度可顯著增加軟組織和碘對比劑的單位劑量對比度噪聲比(contrast-to-noise ratios at unit dose，CNRD)，0.7 mm錫預濾柵可減少成人體模30%的輻射劑量，管電流需增加7.4倍。最佳的管電壓隨患者的體積大小而增加，對于最佳碘CNRD，錫預濾柵的厚度應適應患者的大小。在功率允許的范圍內，選擇最厚的預過濾器，則可使軟組織CNRD最大化。此外，最佳管電壓下對不同體模的掃描表明，銅(Cu)預濾柵的效果與錫預濾柵在軟組織CNRD上無顯著差異，而對于碘CNRD，銅的效果要明顯高于錫，在功率允許的范圍內，選擇銅預濾柵可使碘離子濃度效果最大化，且減少更多的輻射劑量。

通過體模模擬副鼻竇掃描，在16 cm寬探測器CT掃描儀采用軸向掃描(束寬為8，12，14，16 cm)和螺旋掃描(束寬40 mm)兩種模式，4名觀察者采用5分制獨立評估圖像質量，并記錄輻射使用率與輻射劑量。結果表明，兩種掃描方案的圖像質量評分未見明顯差異(4.29 vs 4.23，P=0.69)，且相較于螺旋掃描，軸向掃描可提升輻射使用率，在保證圖像質量的前提下減少輻射劑量。

用不同體積的生理鹽水環繞肺標本模擬不同體型：胖、瘦、正常，在256排CT掃描儀上掃描，掃描參數：管電壓120 kVp，自動電流，螺距0.092，Pre-AsiR-V 40%。用不同水平的噪聲指數(NI=8、10和12)采集圖像。記錄各組圖像噪聲(image noise，SD)和有效劑量(effective dose，ED)。主觀圖像質量由兩位放射科醫生以雙盲隨機方式使用4分量表進行評估。研究表明當NI為8時，三組圖像的SD與圖像質量評分均無顯著差異，然而體型為瘦和正常的兩組ED明顯降低。說明在在相同的圖像噪聲水平下，不同大小肺的圖像質量無明顯差異，而患者橫軸面的輻射劑量則明顯不同。

患者的體重信息對于CT劑量分析必不可少，Saeko等通過水當量直徑(Dw)與掃描長度相乘計算出體重指數(Windex)用于評估CT劑量，并在174例接受胸部/腹部/骨盆掃描的患者中進行了驗證，發現標準體重的患者(60～69 kg)其CT劑量指數(CTDIvol)和劑量長度乘積(dose length product，DLP)均與Windex和體重呈正相關，從而證明對標準體重患者用Windex評估CT劑量是可行的。

患者大小特定劑量線積分(dose line integral，DLI)被提出作為一種新的度量標準，DLI圖形化的累積劑量分布圖能夠完整地描述各種患者變量和采集條件下的縱向劑量分布。通過回顧性分析2013年-2019年至少進行了2次兒童腹部CT掃描的所有患者，比較其DLI曲線下面積與DLP、病例背景CTDIvol，發現后兩者常常低估了累積輻射劑量。因此，DLI為CT劑量記錄提供了有效工具，將能更好地指導劑量優化工作。

Zhang等將178例腹部CTA患者前瞻性地分為3組：A組采用80和140 kVp的快速千伏切換，管電流195～280 mA，對比劑為300 mg I/kg。B組管電壓100 kVp，3D mA調制，對比劑劑量300 mg I/kg。C組管電壓120 kVp，3D mA調制，對比劑劑量500 mg I/kg。用ASiR-V50%重建圖像，A組用60 keV和70 keV圖像進行分析。結果表明3組圖像均具有優良的圖像質量，各組腹主動脈對比噪聲比(contrast to noise ratio，CNR)無明顯差異，A、B兩組的CTDIvol和總攝碘量相似，但均明顯低于C組，說明腹部CTA采用虛擬單能量成像(virtual monochromatic imaging，VMI)60 keV、70 keV和100 kVp顯像在保證圖像質量的同時可明顯減少輻射劑量和碘攝入量。

Sammer等通過對2017年-2020年輻射劑量數據進行回顧性分析，按年齡分組。使用描述性統計分別展示透視下食管造影、胸部CT和超低劑量CT異物檢查(ultralow-dose CT for foreign body，CTFB)的輻射分布。對于1歲以上的兒童，使用CTFB方案的有效輻射劑量最低，而胸部CT的有效劑量最高。食管造影的平均輻射劑量差異最大，在大于5歲年齡組，食管造影劑量超過CTFB的兩倍。各年齡組不同檢查方式的有效劑量(食管造影、CTFB、胸部CT)如下：0～1歲0.14±0.10、0.35±0.09、1.89±0.54；1～5歲0.47±0.37、0.36±0.11、1.71±0.57；5～9歲1.08±2.08、0.29±0.05、1.97±0.67；9～13歲0.92±0.98、0.31±0.059、2.55±1.62；13～18歲1.18±1.24、0.16±0.03、2.98±1.48。

Yang等對10例經平掃發現肺腫物的患者在新一代能譜CT(Revolution CT,GE Healthcare)進行動脈期(AP)和靜脈期(VP)對比增強CT掃描。CT平掃采用120 kV管電壓和自動管電流，對比增強掃描則用80/ 140 kV快速切換，自動管電流。在圖像后處理過程中獲得不同時期的虛擬非對比(VNC)圖像。通過對比表明增強肺掃描的VNC圖像可以作為傳統非增強掃描的替代(延遲期虛擬非增強圖像質量較其他時期更好)，應用于需多次復查的患者可有效降低輻射劑量。

Taniguchi等開發了三維交叉方向雙邊濾波器(three-dimensional cross-directional bilateral filter，3D-CDBF)，與常規FBP相比，3D-CDBF在定量和定性圖像質量上均有顯著改善，且可減少75%的輻射劑量，解決了CBCT在引導放療過程中輻射劑量過高的問題。

3.光子計數探測器

探測器是CT系統的重要組成部分，光子計數探測器通過對每個光子進行計數，可明顯提高圖像的CNR，在CT掃描中的應用研究得到了大量開展。雖然用于CT的光子計數探測器(photon counting detectors，PCD)具有許多優點，但是其在高通量時存在堆疊效應。Scott等比較了三種不同的堆疊補償方法：堆疊觸發結構；標準的重觸發器結構；由二級計數器改進的重觸發器結構。光子入射到單個光子計數探測器像素上，假設其信號隨時間的函數為服從泊松統計的高斯響應函數。光子計數探測器使用5個間隔20～100 keV的接收器，堆疊觸發器則采用130 keV的接收器。采用克拉美-羅下界(CRLB)評估碘和水基物質圖像的方差，并將結果與未加堆疊補償的光子計數探測器的結果進行對比。結果發現，在低通量時，堆疊補償電子技術影響不大；在中等通量時，使用標準或改進的重觸發結構，碘基材料標準差降低45%，而對于堆疊觸發器無影響；在高通量時，使用堆疊觸發器和標準觸發器，標準差降低了40%，而使用改進的重觸發結構，標準差降低了70%。因此堆疊補償電子技術能有效擴展光子計數探測器的有效磁通范圍，使用專用的二級計數器能有效改進標準的重觸發結構。

由于傳統CT系統使用基于模擬的光電二極管傳感器，具有電噪聲的限制。Cho等研制了一種基于便攜式CT的光子計數CT。計數專用集成電路(application specific integrated circuit，ASIC)使用1.4 mm厚的晶體碲化鎘(CdTe)優化。計數邏輯有全局能量閾值和局部能量閾值，用于校準和高級協議。首先使用鈷-57放射性光子源測量了這種新型探測器的能量響應。其次在120 kV的各種電流值下和1 s數據采集時間內進行掃描計算其計數率，最后用質量控制/質量保證(QC/QA)模型測量了圖像質量。局部能量閾值使信噪比(signal-to-noise ratio，SNR)提高了4倍。并且在122.06 keV時，測量的能量分辨率達到4.51%，計數率為1.1281×108/s-1mm2，證實計數傳感器的性能足以滿足CT的應用。

Ren等利用光子計數探測器CT(photon-counting detector CT，PCCT)成像系統，進行雙相增強CT掃描方案，碘強化期對應動脈期晚期，釓強化期對應門靜脈期。以8 mL/s速率靜脈注射釓對比劑馬根維顯64 mL于豬體內，間隔17 s后以5 mL/s流率注射碘海醇40 mL。碘對比劑注射12 s后進行CT掃描，同時獲取動脈晚期和門靜脈期圖像。采用80 kV，能量閾值為25、35、50和55 keV的掃描參數，以獲取最佳的物質分離和定量分析結果。同時采用基于CNN的去噪方法，抑制物質分離過程中的噪聲放大。結果表明含碘肝動脈期和含釓肝靜脈期可相互區分，采用CNN去噪后獲取了更好的區分結果。該動物研究證明了單次多能量CT掃描中使用雙對比劑(碘和釓)進行雙相肝臟CT掃描的可行性。

光子計數CT掃描儀還可用來評估碘和釓對比劑的檢測局限性以及信號的可分離性。采用含0.125～10 mg/mL的碘對比劑或0.125～12 mg/mL的釓對比劑的20 cm長水模，進行CT掃描，管電壓140 kV，管電流14～300 mAs。使用光子計數二接收器探測器模式(20，52 keV)和光子計數四接收器探測器模式(20，50，70，90 keV)兩種掃描模式進行掃描。另一組則采用能量集成(energy integrated，EID)CT系統掃描作為對比。在圖像上繪制興趣區并測值，通過計算等效濃度的碘和釓對比劑的受試者操作特征(ROC)曲線下面積(AUC)來評估其可分離性。結果發現，對于碘和釓，二接收器探測器模式的CNR最高，比EID模式分別高21.9%和89.5%，比四接收器探測器模式高10.9%和22.5%，而在可分離性上，二接收器探測器模式也高于四接收器探測器模式。因此在該掃描參數下，二接收器光子計數探測器模式具有更好的SNR，對于碘和釓有更低的檢測局限性和更好的信號分離結果。

校準體模和動物腰椎體模分別在雙能X射線吸收儀(dual-energy x-ray absorptiometry，DXA)、能量集成探測器CT(energy-integrating detector CT，EICT)和PCCT進行成像。在EICT上得到了兩張不同管電壓和過濾組合的拓撲圖，在PCCT上得到了一張不同能量閾值的拓撲圖。對三種方法得到的圖像進行骨密度(bone mineral density，BMD)測量。結果表明EICT和PCCT的拓撲圖BMD測量準確性無明顯差異，且在校準體模中明顯高于DXA。因此，在EICT上使用兩張不同管電壓的拓撲圖或在PCCT上使用一張不同能量閾值的拓撲圖測量骨密度是可行且準確的。

在診斷血管的狹窄程度時，由于部分容積效應，鈣化斑塊常會影響對血管腔的評估。Tristan等使用人造狹窄模型研究了多能量PCCT在去除血管鈣化斑塊中的作用。三支直徑4 mm的人造血管，一支無狹窄，另外兩支呈50%環形狹窄，分別有鈣化和無鈣化。將其放置在一個30 cm×20 cm的擬人模型中，用2種不同濃度的碘對比劑(7或15 mL/L)填充血管，使用2種不同的管電壓和能量閾值組合在多能量PCCT掃描。對于140 kV掃描，使用50，100，150 mAs的曝光；對于120 kV掃描，則曝光72，146，218 mAs。利用多能量PCCT，可僅去除血管斑塊鈣化部分而保留其他成分。在所有水平的管電壓和曝光下，去除鈣化的管腔和未鈣化的狹窄管腔在視覺圖像質量評估中具有較好的一致性，在150 mAs和140 kV時質量最佳。兩種狹窄的總CT值偏差均在±4.7%范圍內浮動，且暴露劑量和管電壓越低，偏差越大。

PCCT不僅可去除鈣化，還可用于對人體冠狀動脈鈣化的定量。用PCCT對浸泡在水模中的三個人體冠狀動脈標本進行掃描，該掃描儀包含PCD和能量集成探測器(energy-integrating detector，EID)兩個子系統，掃描和重建參數為120 kV，9.3 mGy CTDIvol，以及一個定量的內核(D50)。此外，PCCT還使用專用銳核(D60)進行額外的重建。標本同時用微型CT掃描儀掃描，作為鈣化定量的參考標準。在所有圖像中，使用半最大閾值技術來識別每個鈣化的外部邊界，鈣化體積則通過計算連續切片中的分段體素之和得到。結果表明13個總鈣化灶中有12個體積變化趨勢相似，均為：EID-D50>PCD-D50>PCD-D60>micro-CT。EID-D50、PCD-D50、PCD-D60和micro-CT的中位鈣化體積分別為22.1、21.0、18.2、14.6。因此，與EICT相比，PCCT對人體標本冠狀動脈鈣化的定量更加準確，圖像噪聲更低，且其專用銳核(D60)進一步提高了準確性。

當兩個或兩個以上光子在死區時間內撞擊PCD的同一像素時，會產生脈沖堆積效應。此時，由單個光子事件引起的電信號變得無法區分，從而導致計數率損失和檢測器響應函數失真。Xu等發現當輸入光子通量高到足以引起明顯的脈沖堆積時，PCD可以表現出異常的非線性邊緣增強效應，這種效應是由堆積和電荷共享共同引起的。

4.深度學習

深度學習(deep learning，DL)是當前人工智能領域機器學習最熱門的方法。Park等采用CNN模型量化間質性肺病(interstitial lung disease，ILD)的相關特征，將其修改用以預測新型冠狀病毒肺炎(COVID-19)的相關特征，如毛玻璃樣陰影、網狀形態和實變。根據量化結果，訓練隨機森林模型對COVID-19病例和非COVID-19病例進行分類。訓練集由57例COVID-19確診病例作為陽性樣本，96例ILD和496例正常人作為陰性樣本。用20例COVID-19、95例ILD、496例正常人組成的獨立樣本評估量化和分類的性能。結果發現，在COVID-19病例中，病灶量化的Dice系數為0.685，鑒別COVID-19和正常對照組的AUC、敏感性和特異性分別為0.989、1.00和0.956，而鑒別COVID-19和ILD的能力較差，分別為0.906、1.00和0.674。鑒別COVID-19和ILD的最顯著特征是磨玻璃樣影的相對體積和基底分布。綜上，基于CNN建立的量化ILD的模型在量化COVID-19肺炎中表現良好，然而由于兩種疾病CT表現相似，該模型鑒別兩種疾病相對困難。

對17例隨訪檢查的患兒(3～12歲)行80 kV(3～6歲)或100 kV(7～12歲)、10 mA、0.35 s旋轉時間的超低劑量胸部平掃。圖像采用ASIR-V50%，使用標準內核和深度學習圖像重建(deep learning image reconstruction，DLIR)，根據設置分為低(DL-L)、中(DL-M)和高(DL-H)三組，對照組為3個月前接受常規放射劑量CT掃描的患兒，用ASIR-V50%重建圖像。兩名放射科醫生獨立評估肺大氣管的圖像，采用5分量表評估圖像質量并記錄輻射劑量。結果表明與常規輻射劑量CT掃描相比，用DL-H重建的超低劑量胸部CT圖像具有同等的圖像質量，可良好評估肺大氣管，并可降低98%的輻射劑量。

Wang等在寬探測器螺旋CT使用不同管電流(200 mA、150 mA、100 mA、50 mA)對Catphan 500體膜進行了掃描，用FBP(ASiR-V0%)、ASiR-V40%、ASiR-V80%和三個級別的DLIR(DL-L、DL-M、DL-H)分別重建CT圖像。使用imQuest軟件(Duke)計算噪聲信號功率譜(noise power spectrum，NPS)，測量NPS峰值和峰值頻率來評估噪聲大小和紋理。所有重建方法的NPS峰值隨著劑量的增加和重建水平的提高而降低，FBP法在所有劑量水平下的NPS峰值和峰值頻率都最高，ASiR-V40%的NPS峰值高于所有DLIR水平，ASiR-V80%的NPS峰值僅高于DLIR-H，低于DLIR-L。DLIR的平均NPS空間頻率高于ASiR-V。因此，與FBP和ASiR-V相比，新的DLIR算法在不改變噪聲紋理的情況下，降低了噪聲幅度。

對33例兒童(4個月～13歲)行70 kVp、自動管電流調節的低劑量胸部CTA掃描，噪聲指數根據兒童年齡設定在11～15歲，對比劑(CM)劑量為0.8～1.2 mL/kg。分別采用50%和100%ASIR-V，標準內核和高設置的DLIR(DL-H)進行圖像重建。兩名放射科醫生對圖像的整體噪聲、血管邊緣和血管對比度分別進行評估。測量同一圖像層面主動脈和背部肌肉的CT值和圖像噪聲，以獲得客觀圖像質量，同時記錄輻射劑量。50%ASIR-V、100%ASIR-V和DL-H的圖像噪聲分別為29.45±7.59、20.45±6.93和19.24±5.77，僅有DL-H圖像在圖像質量定性評價的3個方面均獲得了可接受的分數。因此，采用70 kVp和DL-H算法，在兒童胸部CTA中以低輻射劑量和對比劑劑量提供臨床可接受的CTA圖像是可行的。

Cao等探討了DLIR在腹部增強CT中降低輻射劑量、改善圖像質量的可行性。對40例肝病患者行腹部增強CT檢查，動脈期(AP)和門靜脈期(PP)掃描采用常規參數：管電壓120 kV，自動管電流，噪聲指數(NI)11，延遲期(DP)采用極低劑量掃描(NI=24)。所有圖像均使用ASIR-V50%重建。另外利用DL-H對DP圖像進行重建。由兩名放射科醫生采用5分制對整體圖像質量進行評估。結果顯示與AP相比，DP的輻射劑量降低76%，但DL-H DP圖像質量與ASIR-V50% AP圖像無顯著差異(3.98±0.44 vs 4.10±0.33，P=0.28)，且明顯優于ASIR-V50% DP圖像(3.98±0.44 vs 2.50±0.56，P<0.05)。此外，AP圖像分別采用 DL-H將圖像重建成1.25 mm層厚和使用ASIR-V50%重建成標準的5 mm層厚 ，計算肝臟病變的SNR和CNR，由兩名放射科醫生采用5分制對整體圖像質量評分。結果表明DL-H圖像質量明顯高于ASIR-V50%圖像質量(4.30 vs. 4.10，P<0.05)，雖然DL-H圖像肝臟病變的SNR和CNR也高于ASIR-V50%重建的圖像，但無顯著性差異。

實體瘤療效評價標準(response evaluation criteria in solid tumors，RECIST)是臨床試驗中評估系統性癌癥療效的國際標準測量方法，然而閱片者間和閱片者本人的可變性和主觀性影響了化療決策。Tang等將深度學習系統自動產生的RECIST測量值與放射科醫生的測量值進行了比較。數據集涉及4427名具有RECIST注釋的獨立患者的CT圖像，病變類型多樣。將其分為訓練集(n=3727)、驗證集(n=500)和測試集(n=200)，由兩位經驗豐富的放射科醫生對每個病灶進行重新測量。半自動系統是一個兩級CNN，使用之前需由放射科醫生在感興趣的病變周圍畫一個方框。通過隨機生成10個仔細繪制的邊界框和10個粗略繪制的邊界框來模擬該過程。結果表明CNN半自動測量結果較放射科醫生測量結果更接近參考值，且每次測量僅耗時0.2 s，放射科醫生則需(20±12)s。粗略繪制的方框與仔細繪制的方框相比，并不會顯著降低精確度。綜上，該半自動標注系統達到了與專家相當的準確性，降低了可變性，提高了工作效率。

危險器官(organ at risk，OAR)的準確勾勒是頭頸部腫瘤放射治療的關鍵步驟，深度學習也可用于自動分割OAR從而減輕醫生負擔。數據集來自142例口腔癌患者的42個OAR掩膜的CT圖像，這些患者均為Ⅱ期以上，并接受了放療。一種分層的OAR分割方法將OARs分為3個級別，即穩定、中等、小而難(small and hard，SandH)。結果表明穩定的OAR有高對比度，操作者間可變性較低，中等OAR對比度較低，而SandH OAR的對比度很差。該方法的平均Dice評分(DSC)為75.1%，較以前的主流方法UaNet相比，中等和SandH OAR分割的DSC增加了3.3%。

Cai等回顧性收集了一個包含995例肝臟切除或移植的患者的動態增強(dynamic contrast enhanced，DCE)CT數據集，掃描方案包括非對比期、動脈期、靜脈期和延遲期。為了發現和定位肝細胞癌(hepatocellular carcinoma，HCC)病變，其中897例被用作訓練集培訓了一種新型檢測系統，對直徑大于或小于5cm的腫瘤的檢測敏感度分別為86.5%和70%。對于Ishak評分≤4和>4的患者，檢測敏感度分別為86.1%和71.2%。因此，該方法可對患有慢性肝病的患者進行準確的HCC檢測。

采用標準劑量的區域探測CT(area-detector CT，ADCT)、普通分辨率CT和UHR-CT分別對定量成像生物標志物聯盟(quantitative imaging biomarkers alliance，QIBA)推薦的胸部CT體膜進行5次普通分辨率、高分辨率和超高分辨率的掃描。然后將每組CT數據分別用FBP、混合型迭代重建(iterative reconstruction，IR)、基于模型的IR和深度學習重建(deep learning reconstruction，DLR)重建成0.5 mm和1 mm的層厚。將測量的肺密度CT值與氣道壁厚度與標準參考值進行比較并計算差值。結果表明，在相同掃描模式下與兩種層厚條件下，DLR的肺密度CT差值明顯小于FBP、混合型IR和基于模型的IR(P<0.001)，DLR和基于模型的IR所得到的氣道壁厚度差值均顯著小于FBP和混合型IR(P<0.001)，說明新開發的DLR在肺密度和氣道壁測量精度方面具有更好的潛力。

一項回顧性多中心研究納入了10395名接受了低劑量CT肺癌篩查(low-dose CT for lung cancer screening，LDCT-LCS)的成年受試者，將7433名無心血管疾病(cardiovascular disease，CVD)的受試者和2962名有CVD的受試者隨機分為訓練集(70%)、驗證集(10%)和測試集(10%)。采用的DL算法包含三個組成部分：基于深度CNN的檢測器在低劑量CT(low-dose CT，LDCT)分割心臟區域；基于深度CNN從孤立心臟體積上提取CVD相關特征；合并臨床風險評估。并對該算法在106名患者的非ECG門控LDCT-LCS上進行了進一步測試。這些患者在LDCT-LCS后的12個月內進行了冠脈鈣化(coronary artery calcium，CAC)評分、CAD-RADS評分和MESA評分。結果表明與以前的DL模型((KAMP-Net：AUC 0.725，AE+SVM：AUC 0.684)相比，該算法識別CVD風險的AUC 更高，達到0.869。此外，該算法預測CAC、CAD-RADS評分、MESA評分的AUC分別達到0.942、0.809和0.817。

由于螺距大于1.5的重建圖像存在嚴重的視野受限偽影，目前，單源CT掃描儀一般在螺距小于1.5的情況下工作。Hayes等開發了一種新的重建框架，結合了DL技術和先驗圖像約束壓縮感知(prior image constrained compressed sensing，PICCS)?；仡櫺允占?332例患者的腹部和胸部CT檢查結果，通過使用16、32和64排探測器的臨床CT圖像體積的正投影來模擬螺距為2、3和4的螺旋CT正弦圖數據，然后對所有模擬正弦圖像進行FBP重建，并與參考CT圖像配對以訓練DL網絡。DL網絡的輸出被用作PICCS中的先驗圖像，以產生DL-PICCS圖像。為了評估DL-PICCS的性能，進行了261次額外的CT檢查并使用結構相似性(structual similarity，SSIM)評估圖像質量。結果表明DL-PICCS圖像在視覺上沒有明顯的偽影，螺距2、3、4的圖像定量SSIM值分別為0.998±0.001、0.978±0.008和0.955±0.013。因此DL-PICCS可實現螺距為4.0的單源螺旋CT圖像的高質量重建。

Richard等還評估了基于人工智能的虛擬濾線柵抑制算法在不同大小患者CT圖像中的應用。在擬人化胸部體模前后放置不同數量亞克力板模擬患者不同的厚度，分別掃描獲得無濾線柵、6:1濾線柵、12:1濾線柵的圖像。使用U-Net深度學習算法處理無濾線柵采集圖像，使用高劑量低散射圖像進行訓練，以預測使用濾線柵導致的散射和噪聲增加。無論是物理濾線柵還是虛擬濾線柵，圖像特征對比都有明顯改善。12:1濾線柵提供了最高的對比度水平，但同時具有最高的噪聲水平。基于人工智能的虛擬濾線柵在提高圖像對比度的同時仍保持較低的噪音水平，在肺特征方面，虛擬濾線柵的CNR提高了29%～53%。但對于縱隔特征，虛擬濾線柵的CNR僅提高了4%～8%，低于物理濾線柵。

5.臨床相關研究

Gao等對48例COVID-19患者和48例正常篩查病例行CT掃描，然后對所有患者進行肺分節，利用沿z軸的解剖性標記，30個肺部標記即可消除軸向變量。紋理測量(Haralick特征)從每個軸向交叉圖像在相應的肺標記沿z軸計算，以生成擬研究的敏感點的輪廓，得到正常受試者和COVID-19患者之間的紋理測量向量距離的斜U形分布。個體Haralick特征分析顯示出區分COVID-19與正常肺篩檢病例敏感度最高的12個特征。直方圖分析顯示COVID-19受試者強度較高，符合COVID-19的表現，如磨砂玻璃影、實變等。該方法在鑒別診斷中具有重要價值。

Wu等收集了接受冠狀動脈CT血管成像(coronary CT angiography，CCTA)的180例疑似冠心病患者。CCTA檢查期間，在一個心動周期內對所有患者進行40%～50%和70%～80%的時間相位采集，并使用智能相位技術重建最佳的收縮和舒張圖像。根據檢查結果將患者分為兩組：陰性患者和冠心病患者。在離主動脈根部5 cm處測量同一患者的左前降支、左回旋支、右冠狀動脈收縮期和舒張期的直徑，結果顯示：在陰性患者中，脈搏舒張期左前降支、左回旋支和右冠狀動脈運動的測量直徑(1.96±0.21 mm，1.57±0.16 mm，1.88±0.19 mm)均大于收縮期(1.72±0.17 mm，1.36± 0.18 mm，1.52±0.12 mm)，差異有統計學意義。在冠心病患者群體中，左前降支、左回旋支和右冠狀動脈的直徑在舒張期和收縮期無明顯差異。

Zopfs等納入了571例受試者，均接受等量的對比劑然后行胸/腹部CT檢查，分別放置ROI于實質器官(n=25)、淋巴結(n=6)和血管(n=3)，測量絕對碘濃度(iodine concentration，IC)。結果顯示淋巴結、實質器官和血管的IC值隨年齡、性別和體重指數的不同而有顯著差異(0.0±0.0 mg/mL～6.6±1.3 mg/mL)。腹主動脈標準化后，碘灌注率與體重指數無關，而隨著年齡的增長，灌注比有下降的趨勢。該研究確定了腹部器官、淋巴結和血管中IC的大規模隊列參考值。

對40例深靜脈血栓(deep venous thrombosis，DVT)患者首次CT檢查時血栓的含水量與對側正常血管的含水量進行比較，同時用DECT物質分離法分離水、血栓和軟組織，鑒定血栓的含水量，發現血栓的含水量明顯低于對側血管。5例股靜脈、膝下靜脈和脛后靜脈血栓的患者，在注射對比劑前行DECT成像，生成相應的水加權像。由5名放射科醫生進行目測評估，5例均可在未加對比劑的水加權圖像上顯示靜脈血栓的位置。因此，DECT在不加對比劑的情況下獲得的水加權圖像能有效地顯示血栓。

6.其它新技術

3D打印技術開發的定制紋理體模被用于評估放射組學在各種常規腹部成像方案下的性能。在4臺CT掃描儀(Philips Brilliance 64、Canon Aquilion Prime 160、GE 16 Lightspeed和Siemens Sensation 10)上進行掃描，使用一系列成像參數(如層厚、視野、重建后濾過、管電壓和管電流)來評估基于CT的紋理分析(CT-based texture analysis，CTTA)。紋理模型由375個特征組成，分別屬于15個紋理提取方法的亞組。結果表明，強度指標，即灰度共生矩陣(gray-level co-occurrence matrix，GLCM)2D和GLCM 3D顯示了很高的組內相關系數(intraclass correlation coefficient，ICC)。與其他成像變量相比，層厚的變化對所有指標的影響更為顯著。kVp和mAs的變化主要影響高階紋理指標如圖像變換：離散余弦變換(discrete cosine transform，DCT)和定律變換(laws transform，LTE)。

一種“全輔助掃描技術”-3D相機(FAST 3D CameraTM)被開發出來用于在CT機架中自動定位患者。有研究回顧性評估了2018年10月1日-2019年3月19日使用3D相機掃描的571項CT檢查和未使用該技術的504項檢查，發現使用和不使用FAST 3D相機時，與真實中心的偏差分別為(6.81±6.09)mm和(16.31±14.00)mm。FAST 3D相機提高了患者定位的準確性和一致性，同時減少了檢查時間(32 s)。

Ueta等通過雙能和單能兩種掃描模式對直徑300 mm圓柱形體模進行掃描，前者包括三種DECT技術：分離濾波(split-filter，SF)、雙源(dual-source，DS)和快速千伏峰值切換(fast kilovolt peak-switching，FKS)。在碘對比度相等的情況下，DECT的虛擬單色重建與單能CT(single-energy CT，SECT)相比，圖像質量有所下降，特別是FKS和SF在低能時下降明顯，這凸顯了低能和高能之間的能量分離和劑量優化對于高效雙能成像的重要性。

X線

1.COVID-19相關研究

雖然胸部X線攝影和胸部CT在COVID-19的診斷中提供了較好的結果，但是，由于輻射風險，一些機構不鼓勵以此為目的使用該成像方式。有研究根據意大利159107例患者的流行病學數據分析各年齡組的死亡率。對進行了胸部CT掃描的659例成年患者，使用基于蒙特卡洛法估計器官劑量，計算輻射風險指數，轉換成相關的五年死亡率。結果表明，所有年齡的胸部CT和胸部X線攝影的中位死亡率為0.72%和0.03%，輻射風險并不是COVID-19中使用影像學檢查的唯一考慮因素，但是仍然是一個重要因素，COVID-19的CT和X線攝影的相關風險在不同年齡組呈現不同趨勢。在較高年齡，COVID-19風險遠超放射學檢查。胸部X線攝影和胸部CT分別適用于年齡大于30歲和50歲的COVID-19患者。

Abadi等對現有的虛擬成像試驗平臺進行調整，學習COVID-19的特征，對確診COVID-19患者的所有與該疾病相關的肺部特征進行人工分割，由心胸外科放射科醫師驗證。分割的特征被制作成4維擴展的心臟軀干(4D extended cardiac-torso，XCAT)體模。在病變區域內，XCAT體模中的肺實質紋理和物質被改變，以匹配臨床圖像中的物理特征。采用掃描專用的CT和X線攝影模擬器對XCAT體模進行虛擬成像。結果表明模擬的病變具有真實的形狀和紋理，同時該平臺可以在不同參數下對同一患者進行兩種不同模式的成像，在病變區域，5 mAs、25 mAs、50 mAs的圖像噪聲比為1.6、3.0和3.6。因此該虛擬成像試驗能有效地評估和優化CT和X線攝影，為其在COVID-19大流行中的應用提供了基礎。

為應對COVID-19大流行期間患者激增的情況，便攜式X光設備被用來通過隔離室的玻璃或戶外分診帳篷區進行成像，為評估此條件下圖像質量和患者、工作人員的輻射安全性，McKenney等利用體模定量評估圖像質量和曝光量，結果表明通過在相同的管電壓下將管電流加倍，可透過玻璃掃描獲得滿足診斷需求的胸片圖像。由于低能X射線的衰減，患者接受劑量基本保持不變。在此非標準成像條件下，由于X射線散射的存在，輻照劑量一般在限制劑量以下。

2.人工智能

Fujimoto等建立了一個新的計算機輔助診斷(computer-aided diagnosis，CAD)系統來模擬解剖結構(anatomical structures，ASs)的正常狀態，并根據由于疾病引起的ASs的變化來檢測異常。其算法包括對ASs特定區域的分割和異常檢測。8個ASs被選擇：氣管、降主動脈、右心房、左心室、右膈肌、左膈肌、右肺底背部、左肺底背部，以解決縱隔、肺底等部位易被忽視的問題。一種完全卷積網絡U-Net作為分割網絡，Hotelling理論作為異常檢測方法。用667例正常病例對U-Net進行訓練，243例正常病例被制作為正常模型作為度量標準。558例正常病例和110例異常病例(肺癌、肺炎等)用于異常檢測和評估。8種ASs的平均敏感度和特異度分別為74%和83%。但是在某些異常病例中，靠近病灶的ASs仍能很好地被分割，出現假陰性。因此，在ASs附近能夠表達外觀常態的度量標準應該被添加。

Gao等訓練了一個深度卷積神經網絡(deep convolutional neural network，DCNN)以對數字乳腺斷層攝影(digital breast tomosynthesis，DBT)進行降噪。利用GE公司的X射線激發工具CatSim，調整GE DBT系統，對24個不同的數字乳腺體模采用25度角掃描，生成9幅投射視圖(projection views，PV)。從重建的DBT層面中隨機選取了96000對有噪聲和去噪聲的實質部位用作訓練集。另外在人體上進行的DBT掃描被用作獨立的測試集，60度角掃描，生成21個PV。為評估CNR和半峰寬(full width at half maximum，FWHM)的變化，標記了301個不同大小的微鈣化。結果顯示在DBT測試集中，經DCNN去噪后，腫塊邊緣和針狀組織形態保存良好，CNR平均升高了93%，微鈣化的FWHM未見明顯改變。因此，經體模訓練的該DCNN可用于人體DBT的降噪處理。

3.新技術

Nguyen等采用與現代美國聯邦運輸安全管理局行李檢查站類似的X線顯微層析合成(X-ray micro tomosynthesis，XRMT)掃描儀檢測了淋巴管平滑肌瘤病(lymphangioleiomyomatosis，LAM)患者和BHD綜合征(Birt-Hogg-Dubé syndrome)患者的肺活檢標本，每個組織塊掃描15 min，然后被重建成5～7 μm體素大小的Z軸堆疊圖。LAM標本的重建橫截面顯示囊腫壁部分增厚，表現為高衰減，組織學顯示壁的一部分是類似于LAM結節的平滑肌細胞，而壁上不同的高衰減信號是紅細胞的聚集。BHD綜合征患者組織塊的重建橫截面在囊腫壁和鄰近壁的圓形結節中僅表現低衰減特征，這些被確定為具有或不具有聚集紅細胞的血管，但不存在異常的平滑肌細胞。XRMT可在傳統的組織病理學方案中引導切片和目標分析，充當放射病理學特征解釋的媒介。

Taguchi提出了一種新方法，使用無旋轉機架的標準X射線系統進行術中4維軟組織灌注(Intra-operative 4-dimensional Soft Tissue Perfusion Using a Standard X-ray System with No Gantry Rotation，IPEN)。其使用兩個輸入數據集：三維ROI的輪廓和位置，如動脈和腫瘤病變的層面；通過注射對比劑獲得的一系列X線投影數據。然后，IPEN通過最大化合成投影和測量投影之間的一致性，直接從投影中估算每個ROI的時間增強曲線(time-enhancement curve，TEC)，而無需重建橫軸面圖像。通過計算機模擬來評估IPEN算法的性能，IPEN估計的TECs在臨床劑量水平下足夠準確。即使病灶增強不均勻或者ROI輪廓不準確，但Dice系數>0.81時，IPEN算法也能準確估計ROI特異的TECs，從而可以在介入手術中評估軟組織血液灌流情況。

鎢靶的焦點功率密度限制了X射線源的功率，從而限制了成像速度。Tan等設計并制作了一種新型的X射線靶，在W型金剛石靶體上沉積了一層薄鎢膜，模擬結果表明，鎢靶入射電子產生的熱量高度集中于焦點附近，由于金剛石基片的高導熱性和相對較高的穩定溫度，可以更快地去除熱量，實現更高的X射線輸出，但鎢膜的厚度需要針對特定的kVp設置進行優化。

4.輻射劑量

Sun等比較了在透視引導成像(fluoroscopically-guided imaging，FGI)過程中，光束入射角校正和未校正情況下皮膚劑量的差異，發現在劑量跟蹤系統(dose tracking system，DTS)的劑量圖上，有角度校正FGI操作的患者比無角度校正的患者在表面入射角度小于正常的區域所計算的皮膚劑量更低，劑量面積乘積減少了2～4倍以上。角度矯正因子(angular correction factors，ACF)的應用提高了皮膚劑量估算的準確性，特別是在小入射角占優勢的操作中。

Jeong等提出了一種基于碳納米管(carbon nanotube，CNT)發射器的數字X射線管進行自適應可變劑量率(adaptively variable dose-rate，AVD)熒光檢查的方法?；贚abVIEW的控制程序逐幀分析檢測器獲取的圖像，然后根據物體的運動自動調整X射線劑量和幀率，從而在給定條件下將不必要的劑量減少了40%。AVD熒光透視系統可根據患者器官或手術器械的運動快速準確地控制脈沖X射線劑量，從而減少不必要的輻射暴露，并獲得與前相同的圖像質量。

Matsubara評估了測量醫務人員鏡片劑量時所用的小型劑量計的性能。將劑量計粘貼在放射防護眼鏡(0.85 mm鉛)上的八個位置，并將其放在模擬內鏡逆行胰膽管造影(endoscopic retrograde cholangiopancreatography，ERCP)的醫生模型上，對患者體模照射X射線10 min后，獲得每個位置的累積劑量作為空氣比釋動能。結果顯示各類型劑量計的劑量線性良好，在有錫濾波器的對光刺激發光劑量計(optically stimulated luminescence dosimeters，OSLDs)和放射光致發光玻璃劑量計(radiophotoluminescence glass dosimeters，RPLDs)中，能量依賴性小，而沒有錫濾波器的RPLDs的能量依賴性大。OSLDs在垂直方向上表現出方向依賴性，而RPLDs在水平方向上表現出比OSLDs更大的方向依賴性。眼鏡內部、眼鏡外部和左側邊框內部的劑量計之間，可以觀察到空氣比釋動能的顯著差異。與右側有和沒有錫濾過器的RPLDs相比，OSLDs的劑量明顯降低。因此，三種劑量計具有不同的特性，從而影響透視檢查時ERCP醫師的眼鏡劑量測量值。

磁共振成像(MRI)

1.深度學習

多發性骨髓瘤患者MRI上脊椎的分割仍然具有挑戰性，因為多發性骨髓瘤浸潤會導致椎體MR信號的巨大變化。Zhou等使用包含多個椎體完整矢狀面的MR圖像來訓練2D U-DL(U-Net deep learning network)用于同時檢測和分割脊椎，通過一種新的基于預測椎體間距離的相異度測量的設計來加權Dice系數，并將其與交叉熵結合作為代價函數來訓練U-DL。選取49例共885個椎體矢狀面的122個T1W序列作為訓練集，另有17例用于獨立測試，以放射科醫生勾勒出的3D椎體作為參考。結果表明，在測試集中，2D U-DL對5個假陽性(false positive，FP)的椎體檢測敏感度為97.0%，椎體分割的平均3D Dice系數為0.835±0.148。而用單個椎體訓練的3D U-DL僅具有92.0%的檢測敏感度(26個FP)，分割的平均3D Dice系數為0.788±0.147。與單個椎體訓練的3D U-DL相比，2D U-DL具有在MR矢狀面上學習脊柱解剖的潛力，對椎體的檢測和分割都更準確。

掃描時間長和有限的SNR對獲取<2 mm各向同性體素大小的高分辨率擴散張量成像(diffusion tensor imaging，DTI)構成了重大障礙。Li等提出了一種深度學習方法，用低分辨率、高SNR的擴散加權成像(diffusion-weighted imaging，DWI)合成高分辨率DTI圖。預處理T1WI和DWI數據(分辨率1.25 mm，b=1000，90個統一方向)，使用3D CNN將低分辨率擴散數據(1張b=0的圖像和6張DWIs)與T1WI作為輸入圖像映射到輸入低分辨率和目標高分辨率擴散圖像的殘差。通過對插值后的低分辨率擴散數據擬合擴散張量模型，然后逆擴散張量變換，優化了6個輸入DWIs來表示圖像空間中的6個張量分量。T1WI被納入到輸出DWIs中以勾勒出不同的組織并保留結構細節。各向同性分辨率為1.25 mm的CNN生成的b=0圖像和DWI在視覺和定量上與真實圖像相似，平均絕對誤差(MAE)分別為0.012和0.013，峰值SNR分別為34.0 dB和30.7 dB，結構相似指數均為0.98。

Wei等開發了一種多任務驅動的多分辨率網絡，用于頭頸部放療MRI中的海馬自動分割。將簡單的跳躍連接替換為多分辨率的跳躍連接，將幾個剩余塊連接起來產生多分辨率的特征圖。為了進一步提高分割精度，在網絡中添加了一個輔助的邊緣回歸任務，幫助模型更加關注邊界。同時用ramp up函數逐步增加回歸任務的權重，從而獲得更準確的邊緣位置。該方法在247張T1/T1增強MRI圖像上評估，其中227張用于訓練，剩余圖像用于測試，采用DSC、Hausdorff距離(HD)和平均對稱表面距離(average symmetric surface distance，ASSD)定量評價分割精度。該方法的DSC為87.0%，HD為5.65 mm，ASSD為0.55 mm。而使用簡單跳躍連接的U-Net其相應性能指標分別為85.9%、6.45 mm和0.64 mm。

2.臨床相關研究

5名健康志愿者(3名男性，2名女性，平均年齡19.4歲)被納入了一項前瞻性研究，所有受試者均接受3.0T的MRI檢查，包括3D T1WI、DTI和非均勻磁化轉移(inhomogeneous magnetization transfer，ihMT)成像。采集ihMT后，利用內部開發的基于MATLAB的腳本計算磁化轉移比值(magnetization transferration，MT)、定量MT(qMT)、ihMT比值(ihMTR)和定量ihMT(qihMT)4個參數圖。內部開發的自動化程序被用于白質束的分割，不同白質束的模板被應用于每個受試者的ihMTR、qiHMT、各向異性分數(fractional anisotropy，FA)、平均擴散率(mean diffusivity，MD)、軸向擴散系數(axial diffusivity，AD)和徑向擴散系數(radial diffusivity，RD)圖。結果顯示ihMTR、qihMT和FA、RD之間的相關性最強。ihMTR、qihMT和MD、AD間呈中到弱相關。ihMTR和DTI指標之間的相關性為：FA(CI=0.851，P<0.0001)、RD(CI=-0.746，P<0.0001)、MD(CI=-0.598，P<0.0001)、AD(CI=0.278，P=0.008)。該研究提供了ihMT對人腦中髓鞘敏感的新證據。

一次心動周期中腦搏動可以通過兩種機制改變ADC：腦實質本身的固有運動與水分子的波動。Okamoto等用整體運動補償擴散編碼成像(bulk-motion-compensated diffusion encoding，BKCDE)分析了腦內ADC值在心動周期中的變化。采用3T MRI心電圖同步單次激發擴散回波平面成像(b=0，200以及b=200，1000)采集9個健康志愿者心動周期中顱腦橫軸面多相位ADC圖，使用整體運動非補償擴散梯度(uncompensated diffusion gradient，non-MC)和第一(1st-MC)以及第二整體運動補償擴散梯度(2nd-MC)。計算腦組織ADC改變率，公式為(ADCmax-ADCmin)/ADCmin×100%，ADCmax和ADCmin分別為一次心動周期中的最大和最小值。最后，聯合不同的b值比較ADC改變率。結果表明non-MC、1st-MC、2nd-MC在不同b值時組間ADC改變率沒有顯著差異，non-MC、1st-MC、2nd-MC在b=0～200時的ADC明顯大于b=200～1000。因此心動周期中ADC改變主要由腦搏動帶來的水分子波動引起的，而不是腦實質的固有運動，水分子波動對低b值組合更加敏感。

Chang等選取了2018年1月-2019年10月臨床診斷為缺氧缺血性腦病(hypoxic-ischemic encephalopathy,HIE)的足月新生兒共40例，根據其預后將其分為預后良好組和預后不好組。兩組新生兒均做3D動脈自旋標記(arterial spin labelling，ASL)以及DWI檢查。比較興趣區的局部腦血流(rCBF)和ADC。結果表明在基底節、丘腦和灰質，預后不良組的rCBF和ADC值顯著高于預后良好組。兩組患者白質的rCBF和ADC值沒有顯著差異。經Pearson相關分析，平均rCBF與ADC呈負相關(r=-0.61，P<0.05)。在預測預后方面，rCBV的AUC為0.972，ADC的AUC是0.842。

17例肝脂肪分數大于5%的患者入組，均進行了3T磁共振腹部檢查，包括DWI和氫質子磁共振波譜(1H-MRS)，定量評估肝脂肪變性?；颊咭策M行了超聲檢查以獲得肝硬度評估。測量肝右葉定量擴散參數。肝脈管密度生物標記物(liver vessel density biomarkers，LVD)評估由興趣區內b0和b50圖像之間的信號強度差異或相對于b0圖像的強度值計算。結果表明LVD隨肝硬化程度不同而有差異，LVD可能替代體素內不相干運動成像(intravoxel incoherent motion，IVIM)所得到的肝的快速擴散分數。

3.新技術

Ohno等提出了一種用壓縮傳感與高加速敏感性編碼技術(compressed sensing combined with a highly accelerated sensitivity encoding，CS-SENSE)相結合的新方法，掃描QIBA擴散模型，在3T MRI上選擇單次激發平面回波成像(single-shot echo-planar imaging，SS-EPI)，敏感性編碼(sensitivity encoding，SENSE)因素為4，b=0、500、900。通過常規的SENSE和CS-SENSE重建獲得擴散加權圖像，另外以QIBA標準化協議進行的掃描作為參考標準。在這項研究中，CS-SENSE的SNR顯著高于QIBA標準化掃描和常規SENSE(分別為174±33、103±20、70±20)。CS-SENSE的ADC與QIBA標準化的ADC一致(R=0.995，P<0.001)，但失真率較低。對8名肝損傷患者進行掃描發現 CS-SENSE中的病變與肝臟對比率較常規SENSE明顯改善(2.1±0.5 vs 1.6±0.4，P<0.05)，噪聲明顯降低。

一項前瞻性研究招募了16名健康志愿者，8例在3T MRI接受了肝胰DWI掃描，為了評估DWI序列的可重復性，每個志愿者都被掃描了兩次。每一次均采集了兩個呼吸觸發的DWI序列，一個是常規序列，另一個是運動補償的擴散梯度序列。由2名放射科醫生獨立測量ADC值。ADC圖上，在肝臟每個Couinaud節段繪制ROI，避開血管結構。胰腺的ROI則分別放置在頭、頸、體和尾部。采用Bland-Altman分析和重復性系數評估ADC值的測量重復性。結果表明運動補償的DWI能夠恢復心臟運動或心血管搏動造成的丟失信號，從而獲得更均勻的ADC圖。與常規DWI相比，使用運動補償DWI的肝臟和胰腺的ADC測量重復性都得到了改善。

Klein等結合了0.35T場強的中場永磁體磁共振(MAGNETOM C!西門子醫療，德國)和太陽能電池板,用四通道線圈和信號處理進行磁共振成像，梯度為25 mT，轉換速率為55 T·m-1/s。電源要求為待機狀態下2 kW，掃描狀態下9 kW。太陽能光伏電池的峰值總功率為29.98 kW，太陽能電池板的產電量比整個機組的功耗高出40%左右。短時間存儲采用10 kW·h鋰離子電池，能夠覆蓋夜間5 h的待機操作。該技術使磁共振成像擺脫了對電能和氦的依賴。

Elliott等利用交叉對比差異圖譜來比較了治療計劃系統Ray Station(RS)、FSL(來自英國牛津大學FMRIB分析小組)和Anderson腫瘤中心內部方法與傳統方法所生成的ADC、FA參數的可重復性。樣本為20個腦腫瘤患者的DTI數據。三者所生成的ADC和FA圖譜之間顯示了一致的結果。ADC圖的平均誤差在內部方法和FSL之間為1.8%，在內部方法和RS之間為0.07%，在RS和FSL方法之間為1.6%。FA差異圖的均值±95%置信區間在內部方法和FSL之間為0.0002±0.027，在內部方法和RS之間為-0.0003±0.01，在RS和FSL之間為-0.0002±0.027。

超聲(ultrasound)

CT或DR掃描對隔離的COVID-19患者來說昂貴且不方便，無線手持超聲表面積小，比CT或DR機更容易消毒，與患者有限的接觸面積可減少接觸傳播，已經成為對隔離患者最有前景的成像方式。Liu等對隔離病房20例COVID-19感染患者進行了無線超聲檢查。其中膽囊結石2例，膽汁淤積合并膽囊炎1例，巨大腎結石合并腎盂積水1例，痛風性關節炎2例。此外，也嘗試通過無線手持超聲檢測2例患者的肺炎，評估疾病進展或療效。無線手持超聲可以快速診斷并發癥，有助于醫生制定合適的治療方案，降低誤診率。

Li等為了解決常規超聲評估肝纖維化主觀因素較強的問題，將CAD與超聲結合進行了研究性評估。228例乙型肝炎患者采用Siemens、Philips和/或Toshiba掃描儀分別掃描了3次，每次超聲檢查由來自6個不同視角的多達14個超聲圖像組成，總共產生7615個圖像。經一位肝病專家判斷，95名患者有中到重度纖維化?；谏疃葘W習的CAD方法使用ResNet-50為主干，還包含以下創新點：對于每幅圖像均用預先訓練的U-Net勾畫出肝臟區域及上邊界；使用全局異質影像融合(global hetero-image fusion，GHIF)允許網絡整合來自單個圖像的特征來預測纖維化的概率，其可使用任意數量的超聲圖像；使用視圖特定參數(view specific parameters，VSP)根據所呈現的特定肝臟視角來定制分析。最后用5次交叉驗證對結果進行評價，識別中度到重度的肝纖維化的AUC為0.912，部分AUC為0.783(FNR≤0.3)，高于單純的ResNet-50分類器。85%精度下達到78.3%的召回率。

為了探究碘對比劑的存在是否會影響對比劑微泡的亞諧波信號，采用閉環流量體模和Sonix Tablet掃描儀用事先優化的傳輸參數完成圖像采集，兩種超聲對比劑采用Definity(0.1 mL)和Sonazoid(0.2 mL)，分別加入750 mL等滲稀釋劑，碘對比劑Visipaque被制成臨床所使用的的濃度(0.75 mL和3 mL)。亞諧波振幅為0.5 MHz帶寬附近二分之傳輸頻率的平均值。結果表明，相對于基線來說，Definity和Sonazoid微泡亞諧波信號的增強分別達到(13.2±0.3)dB和(15.6±0.8)dB。當Visipaque含量為0.75和3 mL時，Definity微泡的亞諧波振幅分別減低(4.8±0.3)dB和(5.5±0.3)dB，Sonazoid微泡的亞諧波振幅分別降低(4.6±0.8)dB和(4.6±0.8)dB。因此，加入碘對比劑會降低超聲微泡的亞諧波振幅，但其下降程度不隨碘對比劑濃度變化而變化。

核醫學

Wang等將58例新診斷為彌漫性大b細胞淋巴瘤的患者納入研究，蒽環類藥物治療前后均行靜息門控心肌灌注成像(gated myocardial perfusion imaging，GMPI)。使用Emory Cardiac Toolbox TM程序自動計算心肌灌注異常的范圍(Extent)、左心室射血分數(left ventricular ejection fraction，LVEF)、舒張末期和收縮末期容積、峰值充盈率(PFR)、左心室收縮期和舒張期同步參數如相位標準差(SD)、相位直方圖帶寬(BW)。蒽環類藥物治療相關心臟毒性(anthracycline treat related cardiotoxicity，ATRC)被定義為有癥狀心力衰竭、心源性死亡、心律失?；蚬Ｋ?、LVEF較基線下降>15%。結果顯示58例患者中有14例發生ATRC，蒽環類藥物治療后左室舒張期不同步以及LVEF下降均為ATRC的獨立預測指標。

Zhu等收集了141名接受放療的食管癌患者的PET/CT診斷數據集，手工標記了651個淋巴結大體腫瘤體積(lymph node gross tumor volume，GTV-LN)。通過基于距離的門控函數將其分為“腫瘤-近端”和“腫瘤-遠端”兩類，然后建立了一個多分支深度學習網絡，其包含一個共享的編碼器和兩個獨立的解碼器，分別檢測和分割GTV-LN子類別。將數據隨機分成60%、10%和30%進行訓練、驗證和測試。結果表明該方法在(0.1，0.5)的精度范圍內達到了了82%的平均敏感度，略高于文獻報道中醫生手動識別和分割的敏感度(80%)，且可以降低操作者的主觀性與可變性。