深度學習算法在超重肺間質性病變患者中的應用研究

秦瑞遙，王沄，宋偉，趙瑞杰，隋昕，宋蘭，杜華陽，馬壯飛，馬碩，付海鴻，金征宇

1.中國醫學科學院北京協和醫院 放射科，北京 100730；2.佳能醫療系統（中國）有限公司，北京 100015

引言

肺間質性病變（Interstitial Lung Disease，ILD）是一種常見的肺部疾病，它的多種特征影像表現，如小葉間隔增厚、胸膜下線、支氣管血管束增粗、小結節、磨玻璃影（Ground Glass Opacity，GGO）、蜂窩影、支氣管擴張等，都十分依賴胸部高分辨 CT（High Resolution CT，HRCT）檢查[1]。所以在ILD的診斷、治療評價以及隨訪中都需行HRCT檢查。CT掃描普及的同時，也成為世界公認的醫療輻射的主要暴露源，增加了患者罹患腫瘤性病變的風險[2]。因此在降低輻射劑量的同時，保證圖像診斷價值，成為臨床亟待解決的問題。

為了降低輻射劑量并保證圖像質量，自動劑量暴露控制系統和圖像重建技術逐漸成為兩大重要的研究方向[3]。臨床目前常用的圖像重建技術是混合迭代重建技術，該技術基于濾波反投影算法，能有效降低圖像噪聲，然而其在空間分辨率以及肺內精細結構的觀察上還存在不足[4-8]，例如對GGO的顯示欠佳。深度學習算法（Advanced Intelligence Clear-IQ Engine，AiCE）則是目前首個商用的深度學習相關的圖像重建算法，已在亞毫希伏胸腹盆CT、CT肺動脈造影以及冠狀動脈血管造影等多項臨床研究中被證實[9-11]，能在顯著降低掃描劑量的同時，提升或保證圖像的質量，在ILD的應用中研究較少。由于體質量指數（Body Mass Index，BMI）會影響CT劑量暴露和圖像質量，超重ILD患者能否通過深度學習算法提高低劑量CT（Low Dose CT，LDCT）掃描的圖像質量尚未見報道。本研究擬探討深度學習算法在超重ILD患者中的應用價值。

1 材料與方法

1.1 一般資料

本研究前瞻性納入2020年12月至2021年3月就診于我院門診的20例超重ILD患者。其中男性6例、女性14例，平均年齡（59.70±10.17）歲，BMI（27.55±1.91）kg/m2。入組標準：① 臨床確診ILD；② BMI≥25 kg/m2。排除標準：① 既往有肺部手術史；② 無法完成檢查前呼吸訓練者；③ 有其他肺部基礎疾病（惡性腫瘤、尚未治愈的肺部感染等）。以上研究方案已獲得倫理委員會批準（HS-2175）。所有入組患者均已知情并簽署知情同意書。

1.2 方法

所有患者均接受兩次掃描（佳能，Aquilion One Genisis），第一次為HRCT掃描方案（管電壓120 kVp，自動管電流），第二次為LDCT掃描（管電壓120 kVp，管電流 30 mAs）。轉速 0.5 s/圈，準直器寬度 0.5 mm×80 mm，螺距（PF 0.813/HP 65.0），重建層厚 1 mm，重建層間距0.8 mm。受試者保持仰臥位，雙手抱頭，深吸氣后屏氣，掃描范圍為肺尖至肝右下緣。

HRCT掃描方案所得圖像使用混合迭代重建算法（Adaptive Iterative Dose Reduction 3-Dimensional，AIDR3D）進行重建；LDCT掃描方案所得圖像使用AiCE（肺/骨算法，mild/standard/strong重建）共計6種重建方案分別重建。

1.3 圖像分析

客觀圖像質量評估由1名有3年臨床經驗的放射學醫師獨立完成測量，在主氣管分叉處管腔內勾畫感興趣區（Region of Interest，ROI），記錄 CT 值及標準差，取 3 次測量的平均值，定義標準差為圖像噪聲，信噪比（Signal to Noise Ratio，SNR）為CT值與噪聲的比值。

圖像質量主觀評估包括總體圖像質量評分、圖像噪聲、偽影、正常結構觀察以及ILD相關的特征表現，由2名具有3～5年臨床經驗的放射學醫師獨立進行，取最大值為最終評分。評估中使用肺窗（窗位-600 HU，窗寬1200 HU）進行觀察，允許評估者根據需要適當微調。對于存在爭議的圖像，將交由1名有30年臨床經驗的放射學專家做出最終評估。

總體圖像質量評分使用5分量表法[12]（1分：圖像質量極佳；2分：圖像質量較好；3分：圖像質量可接受；4分：診斷受限；5分：無法完成診斷）。圖像噪聲以及偽影使用3分量表法（1分：不明顯或極小；2分：有但不影響圖像觀察；3分：嚴重影響圖像觀察）。

正常結構的觀察包括葉間裂、近端支氣管及鄰近肺血管、外周支氣管及鄰近肺血管、胸膜下血管等，ILD相關異常結構的觀察影像包括GGO、網格影、支氣管擴張以及蜂窩征等，將每位患者的肺部分為6個部分（右肺上葉、中葉和下葉、左肺上葉前段和尖后段、左肺上葉舌段、左肺下葉）[3]。兩者均采用5分量表法[13]（1分：圖像質量極佳，結構邊緣銳利；2分：結構邊緣略模糊，不影響評估；3分：結構邊緣略模糊，稍影響評估；4分：結構邊緣模糊不清，評估時不確定；5分：圖像質量極差，結果不可靠），異常征象GGO評估的范例如圖1所示。此外，異常結構評估在每個肺葉中分別進行，0分為無該異常表現。

圖1 磨玻璃影5分評價量表范例

1.4 輻射劑量

記錄患者實際掃描中的CT容積劑量指數（Volume CT Dose Index，CTDIvol）以及劑量長度乘積（Dose Length Product，DLP），根據公式（1）計算肺部有效輻射劑量（Effective Dose，ED）。

其中，0.014為胸部特定轉換系數，單位為mSv/（mGy.cm）。

測量患者的胸廓前后徑（Anteroposterior，AP），肝中水平橫徑（Lateral，LAT），根據胸部的有效直徑計算出體型特異性劑量估計（Size-Specific Dose Estimates，SSDEs），見 式（2）。

其中，fsize為體型特異性轉換因子，參考美國醫學物理學家協會（American Association of Physicists in Medicine，AAPM）204報告[14]。

1.5 統計學分析

2 結果

2.1 超重ILD患者HRCT與LDCT掃描劑量對比

本研究共納入20例超重ILD患者，其中5例為結締組織病相關ILD（2例皮肌炎，1例硬皮病，2例病因不詳），余15例病因不明。如表1所示，LDCT掃描方案的CTDIvol、DLP、ED及SSDEs均顯著低于HRCT掃描（P＜0.001）。

表1 超重ILD患者掃描劑量

2.2 客觀圖像評估

本研究實際勾畫的ROI面積平均為（0.97±0.32）cm2，除肺算法（mild重建）外，其余各組LDCT掃描重建圖像的噪聲均顯著低于HRCT掃描組，SNR顯著增高（P＜0.001），且骨重建（standard/strong重建）明顯優于其他重建，見表2。

表2 ILD患者中HRCT與LDCT圖像客觀評分（±s）

表2 ILD患者中HRCT與LDCT圖像客觀評分（±s）

注：與HRCT相比，aP＜0.05。

掃描圖像方式 CT/HU SD SNR HRCT -970.02±6.46 43.69±4.32 22.75±2.12 LDCT-AiCE（肺算法mild重建） -973.96±6.02a49.44±5.01a20.00±2.05a LDCT-AiCE（肺算法standard重建）-974.55±5.87a40.07±3.66a24.64±2.28a LDCT-AiCE（肺算法strong重建） -972.98±5.94a30.95±3.31a31.96±3.53a LDCT-AiCE（骨算法mild重建） -972.36±5.68 32.33±4.04a30.95±3.89a LDCT-AiCE（骨算法standard重建）-969.58±5.72 19.64±2.06a51.00±5.77a LDCT-AiCE（骨算法strong重建） -966.27±5.98b 15.07±1.61a66.23±9.01a

2.3 主觀圖像評估

如表3所示，兩組掃描方案所得圖像的總體評分、偽影、正常表現均無顯著差異，LDCT組的圖像噪聲顯著低于HRCT組（P＜0.05），與客觀評估基本一致。

表3 ILD患者中HRCT與LDCT總體評分及正常表現主觀評分[n（%）]

本研究共評估了20例患者120個肺部分的異常表現，其中105個肺葉中出現GGO，35個肺葉中出現網格影，45個肺葉中出現支氣管擴張，24個肺葉中出現蜂窩征。與HRCT的圖像比較，LDCT掃描（肺算法，strong重建）對GGO的觀察顯著提高（P=0.002）（圖2），在其他異常特征（網格影、支氣管擴張、蜂窩征）的觀察中，兩種掃描方案的重建圖像質量沒有發現顯著差異，見表4、圖3。

圖2 結締組織病相關ILD患者進行HRCT檢查示例

圖3 病因未明ILD患者支氣管擴張及蜂窩影CT圖像

表4 肺間質患者中高分辨CT與低劑量CT異常表現評分[n（%）]

3 討論

深度學習算法重建是一種新型的圖像重建技術，相較于目前臨床常用的迭代重建以及傳統的濾波反投影算法，其圖像處理方式有著顯著的不同。該算法應用深度卷積神經網絡，使用的訓練集為混合迭代算法圖像以及理想純迭代算法圖像，理論上所獲得的圖像質量與純迭代算法相當，同時大大縮短重建時間[15]。目前深度學習算法重建技術已應用于多項模體研究以及臨床研究中，且被證實可顯著降低掃描劑量并保證圖像的診斷質量。但目前該項技術對胸部LDCT的研究主要涉及肺內結節、肺栓塞等[10,16]，缺乏ILD相關的臨床研究。

本研究選擇以超重ILD患者為研究對象，比較了HRCT掃描（混合迭代算法）與LDCT掃描（深度學習算法）的圖像質量與噪聲，發現6種不同的深度學習算法均能在掃描劑量降低約73%的情況下，保證圖像質量與HRCT掃描方案相當，部分甚至優于后者，對于臨床應用具有重要價值。

深度學習算法能顯著降低LDCT的圖像噪聲，提高圖像的SNR，且骨算法（standard/strong重建）的優化強度明顯高于肺算法，提示骨算法的圖像更銳利。然而在主觀評分、正常結構主觀評分方面，并未發現LDCT 6種不同強度的重建圖像與HRCT重建圖像之間存在顯著差異。而在對ILD相關的特征影像表現的分析中，本研究發現使用肺

算法（strong重建）后LDCT圖像對GGO的觀察較好，這提示臨床應用中可選用肺算法（strong重建）圖像來觀察GGO的征象。分析其產生機制，我們認為這或許與所用的重建技術本身的局限性相關，本研究在HRCT掃描圖像中所使用的重建方案為混合迭代重建，該算法是基于統計學原理來進行數據空間和圖像空間的迭代運算，與多模型迭代重建相比，本身僅有系統噪聲模型作為基礎，容易造成噪聲頻率的改變和漂移[17]。Xu等[3]曾在結締組織病相關ILD患者中研究對比過常規掃描方案（全模型迭代重建）與LDCT（濾波反投影）對于GGO的觀察，發現兩者的主觀評分并無顯著差異，研究者認為這可能是由于以上兩種表現屬于低對比度征象，迭代重建技術對圖像質量的提升并非線性[3,12,18]所造成的。而本研究所使用的深度學習算法，其重建原理與迭代重建截然不同，在圖像重建過程中使用的是深度卷積神經網絡，肺算法在GGO的觀察中表現出的顯著優勢或可歸因于對迭代重建算法缺陷的彌補。一般認為，GGO是ILD的早期或活動期表現[19]，深度學習算法在該征象中的觀察優勢對于ILD的臨床早期診斷或將具有重要的意義。

本研究所使用的 LDCT 掃描方案（120 kVp，30 mAs）在使用6種不同強度的深度學習算法后，圖像的診斷質量均可以得到保證。分析原因： ① 該掃描方案前期由模體試驗和小樣本試驗探索而來，以保證圖像診斷質量為前提，并非深度學習算法所能實現的最低劑量，未來可在此基礎上繼續深入探索；② 所有患者在掃描前均經歷過規范的呼吸訓練，穩定的屏氣狀態對于LDCT掃描下的圖像質量十分關鍵；③ 兩次掃描之間相隔1 min，進一步減少了呼吸運動對圖像質量的影響。

本研究仍存在一定的局限性：① 僅納入了20例超重ILD患者，樣本量較小，未來需要納入更大樣本的數據進行分析；② 本研究將超重及肥胖ILD患者統一作為研究對象，由于樣本量限制，未能按照BMI進行相關的亞組分析，下一步研究可再繼續探索不同BMI患者最適宜的重建算法。

4 結論

綜上所述，在超重ILD患者中，深度學習算法可以在有效降低輻射劑量的同時，保證重建圖像的質量，有望在臨床實踐中得到應用與推廣。