重建算法和層厚對AI提取pGGN一階特征的影響

［摘要］目的探討不同重建算法和層厚對基于人工智能（AI）獲得的純磨玻璃結節（pGGN）一階特征的影響，選取最佳重建算法和重建層厚。方法回顧性分析我院同一臺CT機上行胸部高分辨率平掃者CT影像，在AI輔助下由一名副主任醫師篩選出最小徑≥5 mm的pGGN 158例，分別記錄相同重建算法不同層厚（0.625、1.250、2.500 mm）和相同層厚不同重建算法（標準算法和肺算法）數據，在AI軟件中標準敏感度下獲得16個一階特征（總體積、總質量、CT最大值、CT最小值、CT平均值、CT值方差、球型度、最大面面積、表面積、3D長徑、長短徑平均值、峰度、偏度、能量、緊湊度、熵），并進行統計分析。結果2.500 mm層厚數據中有7例pGGN無論標準算法還是肺算法在AI上均未識別，其余層厚和算法組合均能準確識別；另有4例pGGN在肺算法中未識別，而在標準算法及其他層厚組合中均能識別。不管標準算法還是肺算法0.625 mm組和1.250 mm組只有能量（Z=3.39、3.34，Plt;0.05）、熵（Z=6.49、6.77，Plt;0.05）差異有統計學意義；0.625 mm組和2.500 mm組在標準算法中總體積、CT最大值、CT最小值、CT平均值、表面積、球型度、緊湊度、能量、熵差異有統計學意義（Z=3.67～13.40， Plt;0.05），在肺算法中除上述特征外還有CT值方差、峰度差異有統計學意義（Z=2.64～13.34，Plt;0.05）；1.250 mm組和2.500 mm組在標準算法中CT平均值、CT最大值、球型度、表面積、緊湊度、能量、熵差異有統計學意義（Z=2.43～6.98，Plt;0.05），在肺算法中CT最大值、CT最小值、CT值方差、球型度、表面積、緊湊度、峰度、熵差異有統計學意義（Z=2.54～8.51，Plt;0.05）。結論不同的重建算法和層厚對AI獲得的pGGN一階特征均會產生影響，建議采用1.250 mm層厚、標準算法數據進行一階特征分析。

［關鍵詞］磨玻璃結節；機器學習；圖像處理，計算機輔助；算法

［中圖分類號］R563;R814.42［文獻標志碼］A［文章編號］2096-5532（2024）03-0440-05

doi：10.11712/jms.2096-5532.2024.60.104［開放科學（資源服務）標識碼（OSID）］

［網絡出版］https：//link.cnki.net/urlid/37.1517.R.20240730.1131.001;2024-07-3114：25：22

The impact of reconstruction algorithm and slice thickness on the first-order features of pure ground-glass nodule extracted by artificial intelligence" WANG Yufeng， ZHAO Qing， SUN Li， SHI Shan（Guang’anmen Hospital， China Academy of Chinese Medicine Sciences， Beijing 100053， China）

［Abstract］ObjectiveTo investigate the impact of reconstruction algorithm and slice thicknesses on the first-order features of pure ground-glass nodule （pGGN） extracted by artificial intelligence （AI）， and to select the optimal reconstruction algorithm and slice thickness. MethodsA retrospective analysis was performed for the CT images of the patients who underwent high-re-solution chest plain scan on the same CT machine in our hospital， and with the assistance of AI， 158 cases of pGGN with a minimum diameter of ≥5 mm were identified by an associate chief physician. Data were recorded under the conditions of the same reconstruction algorithm with different slice thicknesses （0.625， 1.250， and 2.500 mm） or the same slice thickness with different reconstruction algorithms （the standard algorithm and the lung algorithm）. A total of 16 first-order features were obtained under the standard sensitivity in AI software， i.e.， total volume， total mass， maximum CT value， minimum CT value， mean CT value， CT value variance， sphericity， maximum area， surface area， 3D major axis， mean major and minor axes， kurtosis， skewness， energy， compactness， and entropy， and a statistical analysis was performed. ResultsAs for the data of the slice thickness of 2.500 mm， 7 cases of pGGN were not recognized by either standard algorithm or lung algorithm， while the remaining cases were accurately re-cognized on the other combinations of slice thickness and algorithm; 4 cases of pGGN were not recognized by the lung algorithm， but they were recognized by the combinations of standard algorithm and other slice thicknesses. Based on both the standard algorithm and the lung algorithm， there were significant differences between the 0.625 mm group and the 1.250 mm group in energy （Z=3.39，3.34;Plt;0.05） and entropy （Z=6.49，6.77;Plt;0.05）. Based on the standard algorithm， there were significant diffe-rences between the 0.625 mm group and the 2.500 mm group in total volume， maximum CT value， minimum CT value， mean CT value， surface area， sphericity， compactness， energy， and entropy （Z=3.67-13.40，Plt;0.05）， as well as significant differences in CT value variance and kurtosis in addition to the above features based on thelung algorithm （Z=2.64-13.34，Plt;0.05）. Based on the standard algorithm， there were significant differences between the 1.250 mm group and the 2.500 mm group in mean CT value， maximum CT value， sphericity， surface area， compactness， energy， and entropy （Z=2.43-6.98，Plt;0.05）， as well as significant differences in maximum CT value， minimum CT value， CT value variance， sphericity， surface area， compactness， kurtosis， and entropy based on the lung algorithm （Z=2.54-8.51，Plt;0.05）. ConclusionReconstruction algorithms and slice thicknesses can affect the first-order features of pGGN extracted by AI. The data obtained based on a slice thickness of 1.250 mm and the standard algorithm are recommended for analysis of first-order features.

［Key words］ground-glass nodules; machine learning;image processing， computer-assisted; algorithms

隨著CT技術的發展，肺磨玻璃結節（GGN）的檢出率提升[1-2]。2018年肺小結節診治中國專家共識指出，GGN為局部肺組織輕度密度稍高影，不影響支氣管和血管束的顯示，分為不含實性成分的純磨玻璃結節（pGGN）和含部分實性成分的混合磨玻璃結節（mGGN）[3]。浸潤性肺腺癌早期常表現為pGGN[4-5]，而pGGN由于缺乏傳統影像特征如分葉、毛刺、空泡征及胸膜牽拉征等較難進行良惡性診斷[6-7]。既往研究顯示，基于人工智能（AI）的肺小結節輔助系統能夠預測肺腺癌亞實性結節的侵襲程度[8]；而基于AI的直方圖預測模型，可以定量提取肺結節紋理特征[9]，對病灶內像素點的CT值客觀、準確量化，發現病灶細微密度改變[7]，為病灶良惡性鑒別提供有用價值。然而基于AI獲得的影像組學特征易受不同掃描機型、掃描參數、層厚、重建算法等影響[10-11]，缺乏可重復性，限制了影像組學特征的應用。本研究旨在比較不同重建算法和層厚對AI提取的pGGN一階特征的影響，從而選擇最佳重建算法和層厚，擴大影像組學在臨床中的應用。

1資料與方法

1.1研究對象

回顧性分析2023年3月5日—5月28日于我院行胸部高分辨率CT平掃1 526例影像資料，將層厚為1.250 mm、重建算法為肺算法的數據導入AI軟件，在標準敏感度下應用AI篩選出至少1枚最小徑≥5 mm的pGGN病人367例，由一名工作10年以上有胸部CT診斷經驗的副主任醫師對AI篩選出的病人進行二次篩選，排除呼吸偽影重者14例、其他肺部疾病（如炎癥、肺部術后、惡性腫瘤、放化療后等）者195例，同一病人有多個pGGN的取最大的1個結節納入研究。最終158個結節被納入研究，其中男43例，女115例；年齡15～89歲，平均（54.00±12.79）歲。本研究經我院倫理委員會批準。

1.2檢查方法

所有病人均在Revolution 256層螺旋CT機（GE公司）上掃描，仰臥位，頭先進，雙臂上舉，掃描范圍從肺尖到肺底，囑病人深吸氣后屏氣掃描。掃描參數：管電壓120 kV，自動管電流120～475 mA；噪聲指數11，轉速0.5 s/r，迭代重建ASIR-V 30%；層厚5 mm。分別重建0.625、1.250、2.500 mm不同濾波函數（肺算法和標準算法）共6組圖像。

1.3圖像分析

將符合條件的所有重建數據導入MIDS-PNAS（深睿醫療）AI輔助軟件，由AI在標準敏感度下自動生成一階特征信息，包括總體積、總質量、CT最大值、CT最小值、CT平均值、CT值方差、球型度、最大面面積、表面積、3D長徑、長短徑平均值、峰度、偏度、能量、緊湊度、熵。

1.4統計學方法

使用SPSS 26統計軟件進行統計學分析，不符合正態分布的計量資料以M（P25，P75）表示，不同層厚相同算法間比較采用Kruskal-Wallis H檢驗，并對差異有統計學意義的特征進行兩樣本秩和檢驗；相同層厚不同算法間比較采用Wilcoxon檢驗。Plt;0.05為差異有統計學意義。

2結果

本研究中2.500 mm層厚的圖像，在AI識別軟件有7例pGGN（直徑7 mm×6 mm 3例，9 mm×5 mm 1例，6 mm×5 mm 2例，5 mm×5 mm 1例）無論在肺算法還是標準算法中均未識別（圖1），其余算法和層厚組合均能準確識別；另有4例pGGN（直徑6 mm×5 mm 2例，6 mm×6 mm 1例，8 mm×7 mm 1例）在肺算法中未識別，而在標準算法及其他層厚組合中均能識別。

2.1相同重建算法不同層厚一階特征比較

標準算法中，不同層厚總體積、CT最大值、CT最小值、CT平均值、表面積、球型度、緊湊度、能量、熵差異有統計學意義（H=13.12～179.56，Plt;0.05）；肺算法中，不同層厚總體積、CT最大值、CT最小值、CT平均值、CT值方差、表面積、球型度、緊湊度、能量、峰度、熵差異均具有統計學意義（H=12.16～178.10，Plt;0.05）。對標準算法和肺算法中有差異的特征兩兩比較，0.625 mm組和1.250 mm組不管是標準算法還是肺算法只有能量（Z=3.39、3.34，Plt;0.05）、熵（Z=6.49、6.77，Plt;0.05）差異有統計學意義；0.625 mm組與2.500 mm組無論在標準算法還是在肺算法中上述特征差異均具有統計學意義（Z=2.64～13.40，Plt;0.05）；1.250 mm組和2.500 mm組在標準算法中CT平均值、CT最大值、表面積、球型度、緊湊度、能量、熵差異有統計學意義（Z=2.43～6.98，Plt;0.05），在肺算法中CT最大值、CT最小值、CT值方差、表面積、球型度、緊湊度、峰度、熵差異有統計學意義（Z=2.54～8.51，Plt;0.05）。見表1。

2.2相同層厚不同重建算法比較

0.625 mm組標準算法和肺算法比較差異有顯著意義的特征有CT平均值、CT值方差、CT最大值、CT最小值、能量、偏度、熵、表面積；1.250 mm組、2.500 mm組標準算法和肺算法比較差異有統計學意義的特征均為總質量、CT平均值、CT值方差、CT最大值、CT最小值、能量、偏度和熵（Z1.250 mm=-10.90～-2.91，Z2.500 mm=-10.48～-2.63，Plt;0.05）。見表1。

3討論

隨著AI的發展，AI技術在肺小結節的檢測中得到廣泛應用，大大提高了影像科醫生的工作效率。有研究表明，AI對肺小結節的識別與影像診斷醫師差異無統計學意義，同時AI還能獲取更多影像組學特征[12]。另有研究指出，根據影像組學特征可以對腫瘤進行定性和定量分析，為疾病診療提供依據[13-15]。然而，影像組學特征易受到不同CT掃描方案的影響[16]，不同的掃描儀之間也存在差異[17]。為了更好地服務于臨床，影像特征需具有可再現性，同時統一的標準（如相同層厚、相同重建算法、相同掃描參數等）會增加影像組學的可重復性，從而擴大其在臨床中的應用。HE等[18]對240例孤立性肺小結節影像組學特征分析顯示，影像組學特征易受重建算法和掃描層厚的影響，其中非增強的薄層數據以及標準卷積核的影像組學特征更有臨床意義。KIM等[19]對42個肺部腫瘤進行閱片者內和閱片者間分析發現，大多數影像組學特征受重建算法影響大，而熵、同質性和基于灰度共生矩陣的特征，在不同重建算法之間的變異性大于不同閱片者之間的變異性。鄧琦等[20]用基于AI的直方圖參數模型預測微小磨玻璃結節樣肺腺癌浸潤，發現熵的診斷效能較高。趙青等[21]通過直方圖分析中醫藥治療GGN效果發現，直方圖圖形越復雜、排列越緊密、熵值越高，則GGN越傾向于惡性。本研究中熵值隨層厚的增加而減小，并且標準算法要小于肺算法，因而在應用熵值大小診斷GGN的良惡性時應考慮到重建算法和重建層厚等對結果的影響。在肺算法中由于采用高通濾波算法，會保留高的空間頻率和噪聲，從而使圖像均勻性變差；而標準算法采用的是較高的空間頻率和較低的噪聲，故標準算法圖像均勻性要優于肺算法。相同的層厚下，平滑的算法（標準算法）較銳利的算法（肺算法）可減少更多的圖像噪聲，因而在做組學分析時更推薦標準算法，這與相關研究結果一致[18，22]。

本文研究顯示，在相同的敏感度下，0.625 mm組和1.250 mm組不管是標準算法還是肺算法所有pGGN均能顯示，2.500 mm組有7例在兩種不同重建算法中均未顯示，另有4例pGGN在肺算法中未顯示，而在標準算法中正常識別，說明2.500 mm組數據診斷效能較差；同時2.500 mm組與0.625 mm組一階直方圖特征差異有統計學意義，與周圍等[22]研究結果一致。這可能由于2.500 mm組層厚較厚，雖然層厚增加噪聲降低，但其軸向的空間分辨率會降低，同時還會有較大的部分容積效應使圖像模糊導致圖像紋理細節減少，從而限制其在AI中的應用；還有可能是在做AI模型時本身用的就是薄層數據，從而應用薄層數據會獲得更準確的數值。而0.625 mm組數據與1.250 mm組數據除熵、能量外其他特征差異均無統計學意義，為了提高圖像重建速度，減少儲存空間，建議采用1.250 mm層厚的數據做組學分析。

本研究存在一些不足：①樣本量較小，后期要加大樣本量對結果進一步驗證；②只對部分組學信息進行分析，下一步會納入更多種組學特征；③僅對一家公司同一個CT機型數據進行對比，未對不同機型和不同AI輔助軟件進行比較。

綜上所述，重建算法和重建層厚對基于AI獲得的pGGN一階特征均會產生影響。在做pGGN一階特征分析時，為了提高重建速度及節省存儲空間，建議采用1.250 mm層厚、標準算法的數據。

［參考文獻］

[1]STANG A， SCHULER M， KOWALL B， et al. Lung cancer screening using low dose CT scanning in Germany. extrapolation of results from the national lung screening trial[J]." Deutsches Arzteblatt International， 2015，112（38）：637-644.

[2]吳芳. 小于等于10 mm純磨玻璃密度肺腺癌CT特征與病理對照及長期存在≤10 mm純磨玻璃密度結節的隨訪研究[D]. 北京：解放軍醫學院， 2015.

[3]中華醫學會呼吸病學分會肺癌學組，中國肺癌防治聯盟專家組. 肺結節診治中國專家共識（2018年版）[J]. 中華結核和呼吸雜志， 2018，41（10）：763-771.

[4]AHERNE E A， PLODKOWSKI A J， MONTECALVO J， et al. What CT characteristics of lepidic predominant pattern lung adenocarcinomas correlate with invasiveness on pathology[J]？" Lung Cancer， 2018，118： 83-89.

[5]YU Z Y， XU C X， ZHANG Y， et al. A triple-classification for the evaluation of lung nodules manifesting as pure ground-glass sign： a CT-based radiomic analysis[J]." BMC Medical Imaging， 2022， 22（1）：133.

[6]崔效楠，劉穎，葉兆祥，等. 影像組學特征對肺純磨玻璃結節侵襲性腺癌與非侵襲性腺癌的鑒別價值[J]. 國際醫學放射學雜志， 2018，41（4）：375-378.

[7]蔡雅倩，周小君，張正華，等. CT直方圖分析鑒別肺良惡性純磨玻璃結節的價值[J]. 放射學實踐， 2020，35（8）：949-952.

[8]陳疆紅，鐘朝輝，江桂蓮，等. 人工智能肺結節輔助診斷系統預測亞實性肺結節惡性概率[J]. 中國醫學影像技術， 2020，36（4）：535-539.

[9]BONAVITA I， RAFAEL-PALOU X， CERESA M， et al. Integration of convolutional neural networks for pulmonary no-dule malignancy assessment in a lung cancer classification pipeline[J]." Computer Methods and Programs in Biomedicine， 2020，185：105172.

[10]PARK S， LEE S M， DO K H， et al. Deep learning algorithm for reducing CT slice thickness： effect on reproducibility of radiomic features in lung cancer[J]." Korean Journal of Radiology， 2019，20（10）：1431-1440.

[11]PENG X Q， YANG S Y， ZHOU L X， et al. Repeatability and reproducibility of computed tomography radiomics for pulmonary nodules： a multicenter phantom study[J]." Investigative Radiology， 2022，57（4）：242-253.

[12]耿然. 基于深度學習的人工智能影像輔助診斷系統對肺結節的診斷效能評價[J]. 新鄉醫學院學報， 2022，8（11）：1031-1035.

[13]陳鑫. 基于CT影像組學精準預測非小細胞肺癌術后預后的研究[D]. 廣州：南方醫科大學， 2020.

[14]張俊杰，郝李剛，許茜，等. 基于臨床及CT特征構建預測肺浸潤性黏液腺癌的機器學習模型[J]. 中華全科醫學， 2023，21（1）：6-9，49.

[15]CHEN C H， CHANG C K， TU C Y， et al. Radiomic features analysis in computed tomography images of lung nodule classification[J]." PLoS One， 2018，13（2）：e0192002.

[16]BERENGUER R， PASTOR-JUAN M D R， CANALES-VZQUEZ J， et al. Radiomics of CT features may be nonreproducible and redundant： influence of CT acquisition parameters[J]." Radiology， 2018， 288（2）：407-415.

[17]MACKIN D， FAVE X， ZHANG L F， et al. Measuring computed tomography scanner variability of radiomics features[J]." Investigative Radiology， 2015，50（11）：757-765.

[18]HE L， HUANG Y Q， MA Z L， et al. Effects of contrast-enhancement， reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in so-litary pulmonary nodule[J]." Scientific Reports， 2016，6（1）：34921.

[19]KIM H， PARK C M， LEE M， et al. Impact of reconstruction algorithms on CT radiomic features of pulmonary tumors： analysis of intra- and inter-reader variability and inter-reconstruction algorithm variability[J]." PLoS One， 2016，11（10）：e0164924.

[20]鄧琦，潘愛珍，徐志鋒，等. 基于AI技術CT直方圖參數模型預測微小磨玻璃結節樣肺腺癌浸潤性[J]. 放射學實踐， 2022，8（8）：977-981.

[21]趙青，王文潔，王蕾. 放射組學直方圖分析在中醫藥治療肺磨玻璃結節療效評價中的應用[J]. 北京中醫藥大學學報， 2023，46（10）：1338-1344.

[22]周圍，胡富碧，劉亞斌，等. 基于AI對肺小結節CT圖像層厚與結節特征的檢出效能影響[J]. 醫學影像學雜志， 2021，31（2）：234-238.

（本文編輯黃建鄉）