深度學習重建在低劑量顱腦CT 灌注的研究

劉昊喆 陳鈺 蘇童 王彥玲 徐敏 王劍 金征宇

顱腦CT 灌注（computed tomography perfusion，CTP）是一種快速、無創、定量的評估腦缺血狀態的技術，可以獲得腦血流量（cerebral blood flow，CBF）、腦血容量（cerebral blood volume，CBV）及平均通過時間（mean transit time，MTT）等參數。CTP 已經在臨床中得到了廣泛的應用，但是由于需要重復多期掃描，CTP 的累積輻射劑量較高，根據美國最近的研究，大約1.5 %～2.0 %的可疑腫瘤可能歸因于CT 檢查的輻射［1］。因此，應在盡量減少CT 檢查方案的輻射劑量的同時保證足夠的診斷圖像質量［2］。降低球管電壓及減少管電流可以減少CT輻射劑量，但是隨著輻射劑量的降低，通常會使圖像噪聲增加［3］。通過改變CT 重建算法可降低圖像噪聲，提升圖像的質量［4］。與最常用的CT 重建算法濾波反投影（filtered back projection，FBP）相比［5］，迭代重建（iterative reconstruction，IR）可減低圖像的噪聲，但是，迭代重建為了使重建圖像更接近初原始圖像，迭代次數必須接近無窮，這就導致重建的時間明顯增加［6］。而且因建模過程復雜，迭代重建的噪聲紋理看起來有“蠟像感”和“不自然感”，使圖像失真［7］。三維自適應迭代劑量降低重建（adaptive iterative dose reduction three-dimensional，AIDR 3D）是對原始圖像進行迭代重建，使圖像噪聲減低至合理水平［8］，目前在頭頸部血管、心臟血管、胸部相關的重建均有應用［9］。近年來深度學習重建（deep learning reconstruction，DLR）算法也逐步應用于臨床。既往研究表明，基于深度學習算法可在降低CT 輻射劑量的同時提高圖像質量，降低圖像噪聲，滿足診斷要求［10-14］。有研究表明，在對門靜脈的研究中，低輻射劑量組的AiCE（advanced intelligent clear-IQ engine）重建與標準劑量AIDR相比，CNR 值提高近1 倍，明顯優于標準劑量的AIDR［15］。深度學習重建算法在顱腦CT 灌注方面也得到了初步臨床應用，研究結果表明深度學習的圖像質量顯著優于AIDR 3D［16］。……