人工智能迭代重建算法對超低劑量胸部CT圖像質量和計算機輔助肺結節檢測的影響

張寶平,李 傲,李宇航,朱書萌,田 倩,趙文哲,肖 瑤,侯 偉,劉 哲,王 睿,黃 欣,郝 輝,王怡名,楊 健,2,金 超,2

(1.西安交通大學第一附屬醫院 醫學影像科,陜西 西安 710061;2.陜西省計算影像與醫療智能工程研究中心,陜西 西安 710061)

肺癌是我國目前發病率和死亡率最高的惡性腫瘤,大部分患者由于早期缺乏特異性臨床癥狀而延誤診斷及治療,就診時已進展至中晚期,5年生存率不足20%[1-2]。國內外多項大型研究表明低劑量CT(low dose CT,LDCT)肺癌篩查有助于早期發現肺結節,通過對高危肺結節進行科學管理,可顯著改善患者預后,降低肺癌死亡率[3-5]。因此,通過LDCT肺癌篩查早期精準識別肺結節對肺癌早期防治有重要意義。然而,隨著LDCT肺癌篩查的廣泛開展,肺結節篩查臨床工作量顯著增大、CT輻射潛在風險增加等問題也隨之凸顯。

隨著近年來計算機技術的發展,計算機輔助診斷(computer-aided diagnosis,CAD)在臨床影像實踐中取得了長足的進步,CAD可以高效、便捷的識別多種病變,已經廣泛應用于臨床肺結節篩查輔助診斷。同時,隨著人們對輻射風險認識的不斷提高,亞mSv超低劑量CT(ultra-low dose CT,ULDCT)應用于肺結節篩查也是研究的熱點之一。由于掃描劑量降低后圖像噪聲的明顯增加及重建算法的本身特性,傳統的濾波反投影(filtered back projection,FBP)和迭代重建(iterative reconstruction,IR)算法在ULDCT中的應用受到一定限制[6],近年來,基于深度學習的重建算法在顯著降低輻射劑量的同時能夠保持良好的圖像質量,展現出廣闊的應用前景[7]。其中,研究人員提出了一種基于深度學習的迭代重……