低劑量聯合自適應性統計迭代重建和深度學習重建對上腹部圖像質量的影響

王向明 劉 晶 馮 嘉

河北醫科大學第四醫院CT磁共振科,河北省石家莊市 050000

CT增強掃描已成為腹部檢查的常規檢查手段,而電離輻射可能帶來的危險必須高度重視。因此,如何在盡可能低的輻射劑量條件下獲得可供臨床診斷的圖像質量一直是相關領域研究的重點和熱點。目前,自適應統計迭代重建(ASIR)技術可以降低輻射劑量同時重建出高質量和低噪聲的圖像[1]。近年來,隨著以深度學習為代表的人工智能技術快速發展,深度學習方法已經廣泛應用于醫學影像相關各種任務中,并取得顯著成果[2]。深度學習重建技術(Deep learning image reconstruction,DLIR)的應用使圖像質量進一步提升,其具有降低掃描成本、提高圖像質量、加快成像速度等優點[3],本研究旨在比較自適應性統計迭代重建(ASIR)和深度學習重建(DL)對低劑量上腹部CT圖像質量的影響。

1 資料與方法

1.1 臨床資料 收集2020年7月—2021年6月在我院因非肝臟病變而接受腹部增強CT檢查的患者30例,其中男19例,女11例,年齡28～71歲,中位年齡60歲。入組標準:(1)年齡>18歲;(2)無碘過敏史,無CT檢查禁忌證;(3)體重指數<28kg/m2;(4)知情并簽署知情同意書。

1.2 儀器與方法 采用GE Revolution CT 掃描儀,預設噪聲指數(NI)8.0,對患者進行呼吸訓練,吸氣末屏氣掃描,仰臥位,掃描范圍自膈頂至盆底水平,管電壓100kV,自動毫安(200～500),旋轉時間0.5s,準直器寬度80mm,螺距0.992∶1,前置ASIR-V,層厚5cm。以高壓注射器經肘靜脈注射碘海醇(300mgI/ml),造影劑用量1.5ml/kg,注射速率以30s內將造影劑注射完畢為宜,注射后延遲35s行動脈期掃描,延遲70s行靜脈期掃描。采用ASIR-V40%、DL-M、DL-H(見圖1)三種重建模式對動、靜脈期原始數據進行重建,重建層厚及間隔均為1.25mm。

圖1 常規40%ASiR-V(a) 、DLIR-M(b)、DLIR-H(c)重建圖像

1.3 圖像測量 由一名從事影像診斷5年以上的觀察者在肝門層面測量腹腔脂肪、豎脊肌、腹主動脈(動脈期)、門靜脈主干(靜脈期)、肝臟實質CT值及噪聲(標準差SD值),將腹腔脂肪的噪聲作為圖像背景噪聲。比較各重建模式組織器官的CT值,計算并比較組織器官的信噪比(SNR)及對比噪聲比(CNR),計算公式:SNR器官=CT器官/SD器官;CNR肝臟=(CT肝臟-CT豎脊肌)/SD腹腔脂肪。

2 結果

2.1 動、靜脈期不同組織CT值、SD、SNR和CNR比較 動、靜脈期不同重建模式下腹腔脂肪、豎脊肌、腹主動脈(動脈期)、門靜脈主干(靜脈期)、肝臟實質CT值的差異均無統計學意義(P>0.05),見表1。

表1 不同組織CT值、SD、SNR和CNR比較

2.2 DL-H重建模式下動、靜脈期圖像噪聲水平比較 DL-H重建模式下動、靜脈期圖像背景噪聲、動脈期腹主動脈噪聲及肝臟噪聲、靜脈期門靜脈及肝臟噪聲均最低(P<0.05);腹主動脈及肝臟SNR、靜脈期門靜脈及肝臟SNR均最高(P<0.05);肝臟CNR均最高(P<0.05),見表2。

表2 DL-H重建模式下動、靜脈期圖像噪聲水平比較

3 討論

CT圖像質量的提高一直是影像工作者關注的重點,較高的圖像質量可以發現更加微小的病灶,對于早期診斷有非常重要意義。優化腹部CT掃描質量的各種方法已經廣泛應用于臨床檢查中,其中包括各種重建算法的應用。噪聲是影響CT圖像質量的主要因素,影響CT的分辨率,目前研究顯示[4],噪聲受圖像重建算法的影響。目前最常用的重建算法就是迭代重建算法,可以降低噪聲和輻射劑量,同時保持圖像質量。能譜CT的ASIR技術在每個獨立測量中通過對光子的統計特征進行分析,并對噪聲采用迭代方法校正和抑制,從而獲得更加清晰的圖像。根據掃描劑量及圖像質量的不同要求,ASIR算法可對原始數據進行組合重建,ASIR值即為組合重建數據所占原始數據比例,圖像噪聲降低幅度隨ASIR值升高而增大,但空間分辨率隨ASIR值升高而降低[5]。夏遠艦等[6]在80例肝硬化門靜脈高壓患者中研究發現,當能譜CT單能量(60keV) +40% ASIR時可明顯改善門靜脈血管成像質量,能更準確呈現側支循環開放情況,故本研究設置重建模式為ASIR-V40%。但有研究顯示[7],迭代重建算法在一定程度上取決于組織間的對比度和實際X線劑量,如果輻射劑量降低>25%時,迭代重建算法導致低對比結構的空間分辨率和低對比能力下降。迭代重建算法采用非線性運算處理圖像,非線性運算依賴目標物體和周圍背景之間的對比,會影響圖像內噪聲的空間分布,導致“噪聲紋理失真”和空間分辨率改變,使圖像過度平滑,形成“蠟像樣偽影”。

采用低千伏基于深度學習的智能圖像重建是目前醫學成像領域的研究熱點,而深度學習重建技術就是一種基于人工智能研發而來的新的重建算法,使用高劑量條件下高清、真實的FBP圖像作為訓練集,訓練深度神經網絡,將低劑量的CT掃描數據還原成高質量的FBP圖像。深度學習重建技術采用所有圖像數據,通過深度學習網絡提取特征,充分發揮深度學習和大數據本身的潛能,真實還原圖像的解剖細節和紋理。在本研究中,DL-H重建模式下動、靜脈期圖像背景噪聲、動脈期腹主動脈及肝臟噪聲、靜脈期門靜脈及肝臟噪聲均最低,優于ASiR-V(P<0.05)。DL-H重建模式下動脈期腹主動脈及肝臟SNR、靜脈期門靜脈及肝臟SNR均最高(P<0.05)。DL-H重建模式下動、靜脈期肝臟CNR均最高(P<0.05)。與其他不同算法或不同混合權重算法的圖像相比,DL-H擁有最好的圖像質量。許藝馨等[8]研究也表明在肝轉移瘤圖像中,相比于ASiR-V,DLIR 表現出較好的降噪能力,并且隨著DLIR重建水平的增加,降噪能力依次增加,同時也展示出了較高的CNR及SNR,其中DLIR-H表現最佳,這與本研究結果完全一致。值得指出的是,在圖片診斷上,DLIR-H并不是最佳,隨著 DLIR 重建強度的增加,去噪能力增強,但由于去噪算法的局限性,去噪強度過高時,會導致圖像紋理發生變化、成像的一些細小結構損失,圖像質量變得模糊,進而導致診斷信心降低[9]。這提示在進行DL重建模型時,需進一步觀察DLIR-L及DLIR-M條件下圖片結果進行綜合分析。

總之,本研究表明與ASIR重建算法相比較,DLIR重建算法可以更好地提高圖像質量,具有一定的臨床應用前景。DL-H應用價值較高,可能有利于肝臟小病灶的檢出。但是本研究尚存在一定局限性,首先本研究使用特定廠家GE Edison平臺,其次本研究僅對腹部(以肝臟為中心)進行探討,是否適用于其他掃描部位需要更多的研究,且病例數有限,后續研究需進一步增加病例數。