深度學習重建算法優化能譜CT低單能量圖像質量及檢測肝臟低對比度小病灶能力

呂培杰，劉娜娜，王落桐，Francesca Rigiroli，Daniele Marin，高劍波*

(1.鄭州大學第一附屬醫院放射科，河南 鄭州 450052；2.通用電氣醫療集團CT影像研究中心，北京 100176；3.哈佛大學醫學院貝斯以色列女執事醫療中心放射科，美國 馬薩諸塞 22015；4.杜克大學醫學中心放射科，美國 北卡羅來納 27708)

隨著碘X射線衰減能力變強，能譜CT低單能量成像(<70 keV)對比度逐漸增加[1]，但所伴隨的高噪聲可致圖像質量降低，影響檢測與診斷肝臟低對比度小病灶(如肝轉移灶)；而常規重建算法，包括濾波反投影(filtered back projection，FBP)和基于混合模型的自適應統計迭代重建(adaptive statistical iterative reconstruction V，ASIR-V)等均無法有效解決低能級圖像的噪聲問題[2]。近期有研究[2-4]表明深度學習圖像重建(deep learning imaging reconstruction，DLIR)可顯著減低腹部CT圖像噪聲、提高對比度并保持圖像紋理不變，進而改善圖像質量。以往DLIR技術多用于常規混合能量CT圖像，少見用于單能量CT圖像的研究[5-7]。本研究觀察以DLIR算法優化能譜CT低單能量圖像質量、提高檢測肝臟低對比度小病灶能力的可行性。

1 資料與方法

1.1 研究對象 納入2020年3月—2021年3月30例于鄭州大學第一附屬醫院接受上腹部增強CT掃描的肝臟疾病患者，男16例、女14例，年齡21～72歲、平均(55.6±14.2)歲；體質量指數20.10～35.45 kg/m2，平均(25.81±3.72)kg/m2；共58個病灶，包括肝囊腫30個、肝臟轉移瘤28個，均經病理或臨床及6個月以上影像學隨訪證實，直徑0.51～3.00 cm，平均(2.13±0.81)cm。納入標準：①年齡≥18歲；②病灶門脈期呈局灶性低對比度，即病灶與周圍肝實質CT值比值<1，且0.5 cm<直徑≤3 cm。排除標準：圖像資料不完整或質量差而影響診斷。本研究經院倫理委員會批準(批號：2017-KY-02)。

1.2 儀器與方法 采用GE Revolution 256排CT機，囑患者仰臥，行上腹部雙期CT增強掃描，以雙筒高壓注射器經肘靜脈以3.0 ml/s流率注射非離子型對比劑碘海醇(350 mgI/ml，1.3～1.5 ml/kg體質量)，采用Smart Prep技術觸發監測腹主動脈，達到閾值(100 HU)后延遲12 s開始動脈期掃描，完成30 s后行門脈期掃描。掃描參數：動脈期，管電壓120 kVp，自動管電流100～700 mA，螺距1.375；門脈期，管電壓80 kVp和140 kVp，管電流350～570 mA，螺距1.375，轉速0.5秒/周，噪聲指數10 HU，FOV 50 cm×50 cm。分別采用DLIR算法(重建強度為高水平)和基于混合模型的ASIR-V算法(重建百分比為60%)重建層厚和層間距均為1.25 mm的40、50、60及70 keV的門脈期單能量圖像。

1.3 圖像分析 將所有圖像傳輸至GE AW4.7影像工作站，由1名具有3年以上工作經驗的放射科醫師于門脈期肝門層面的肝臟、門靜脈主干、背部肌肉和肝臟病灶內放置類圓形ROI，測量CT值及標準差(standard deviation，SD)；于前腹壁皮下脂肪內獲取圖像噪聲值(像素平均值的SD)[8]。……