深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响.pdf

医学影像学杂志2024年第34 卷第3 期 J Med Imaging Vol.34 No.3 2024深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响The effect of DLIR algorithm on the display and measurement of pulmonary nodules under low dose scanning金鑫，陈杭美，傅钰沁浙江省诸暨市第四人民医院放射科 浙江 绍兴 311835【摘 要】目的探讨肺结节胸部 CT 低剂量对深度学习图像重建（DLIR）图像质量及结节检测的影响。方法选取肺结节患者 120 例，在低剂量扫描条件下应用低剂量迭代重建算法（ASIR-V），评估低剂量下重建图像总体噪声（NI）、肺组织信噪比（SNR）、对比噪声比（CNR），实性、磨玻璃结节噪声、SNR、CNR 及结节可见度、筛查准确性。结果DLIR-H 总NI 和肺组织 CNR 为（21.14 1.35）Db、（13.70 1.96），低于 ASIR-V 和 DLIR-M，DLIR-M 低于 ASIR-V（均 P0.05）。肺组织 SNR 为（26.85 3.46），高于 ASIR-V 和 DLIR-M，DLIR-M 高于 ASIR-V（均 P0.05）。实性结节、磨玻璃结节 NI 和CNR 均低于 ASIR-V 和 DLIR-M，DLIR-M 低于 ASIR-V（均 P0.05）。实性结节、磨玻璃结节 SNR 高于 ASIR-V 和 DLIR-M 结果，DLIR-M 高于 ASIR-V（均 P0.05）。DLIR-H 图像质量评分、实性结节、磨玻璃结节可见评分均高于 ASIR-V 和DLIR-M 结果，DLIR-M 结果高于 ASIR-V（均 P0.05）。DLIR-H 肺结节准确率 86.67%，高于 ASIR-V 和 DLIR-M（P0.05）。结论胸部 CT 扫描肺结节应用低剂量 DLIR 算法能够有效降低噪声，保证图像质量前提下提高诊断率。【关键词】深度学习图像重建算法；自适应统计迭代重建算法；低剂量；肺结节；肺癌；体层摄影术，X 线计算机中图分类号：R734.2；R814.42 文献标识码：A 文章编号：1006-9011（2024）03-0140-03深度学习图像重建（deep learning-based image reconstruction，DLIR）是一种由初始估计值开始，对估计结果与实测结果进行不断的比较和修正的循环，直到两种结果间误差小于预定值为止的图像重建算法1-3。本文对肺结节患者进行胸部CT筛查与跟踪随访，从提升CT图像质量的角度出发，探讨临床中应用的低剂量扫描条件下，对DLIR图像质量及结节检测结果的主观指标及客观指标进行分析，为肺结节患者的健康和筛查准确性探索新方向。1资料与方法1.1一般资料选取2022年1月至2023年6月在本院就诊的肺结节患者120例，男性63例，女性57例，年龄4578岁，平均年龄（64.2 13.9）岁。纳入标准：1）临床检查确诊为肺结节4；2）临床资料齐全。排除标准：1）合并有精神障碍；2）认知功能障碍等无法配合。本文经过医院伦理委员会批准通过。1.2检查方法采用 PHILIPS Brilliance CT扫描仪，扫描范围自肺尖至左侧肋膈角层面，管电压120 kVp，管电流采用固定40 mA（CTDI=0.84 mGy），采用螺旋扫描，螺距为0.938：1，转速0.5 s/r，扫描层厚5 mm，层间距5 mm，矩阵 512512，扫描 FOV（SFOV）Large Body，显示FOV（DFOV）40 cm。探测器宽度80 mm。对扫描数据采用50%迭代权重的多模型自适应统计迭代重建算法（ASIR-V）与中、高档深度学习重建算法（DLIR-M）和（DLIR-H）进行肺窗图像重建，均采用标准卷积核，窗宽和窗位分别设置为1200 HU和-600 HU，重建层厚和层间距均为1 mm。保证每次扫描、重建范围一致。将图像传至影像存储传输系统（PACS）并导入智能肺结节 CT 影像辅助检测系统（明峰医疗系统股份有限公司）对结节进行分析与测量。1.3图像质量分析图像质量客观评价：测量、计算低剂量下重建图像总体噪声（NI）、肺组织信噪比（SNR）、对比噪声比（CNR），以及实性、磨玻璃结节噪声、SNR、CNR。Likert量表进行主观评分，评估图像质量及实性与磨玻璃结节可见度，评分标准：优良、质量欠佳、质量略差及质量差分别计分4分、3分、2分、1分。评估肺结节筛查准确性。所有评价均由小组内2位诊断经 验丰富的影像医师在对图像扫描条件及重建方式不知情的情况下独立观察图像，采用 Liket 量表法对图像降噪度进行主观评分，当意见不一致时，再由第3位具有丰富经验的高年资影像医师进行判定。1.4统计学分析应用 SPSS 23.0 软件进行数据统计分析，计量资料以-x s 表示，采用 t 检验处理；计数资料比较采用2检验；P0.05为差异具有统计学意义。基金项目：浙江省诸暨市医药卫生科技计划项目（编号：2023YW175）作者简介：金鑫（1986-），男，本科学历，主管技师，主治医师，主要从事医学影像学诊断工作140医学影像学杂志2024年第34 卷第3 期 J Med Imaging Vol.34 No.3 20242结果2.1CT 特征和不同算法图像质量客观评价指标比较实性结节主要表现为比较光滑、平整的结节；磨玻璃结节呈现边缘模糊，有毛刺、分叶状（图1，2）。DLIR-H总NI和肺组织CNR均低于ASIR-V和DLIR-M结果，DLIR-M低于ASIR-V，差异具有统计学意义（P0.05）。肺组织 SNR 高于 ASIR-V 和 DLIR-M 结果，DLIR-M高于ASIR-V，差异具有统计学意义（P0.05）。实性结节、磨玻璃结节 NI 和 CNR 均低于ASIR-V和DLIR-M结果，DLIR-M低于ASIR-V，差异具有统计学意义（P0.05）。实性结节、磨玻璃结节SNR 高 于 ASIR-V 和 DLIR-M 结 果，DLIR-M 高 于ASIR-V，差异具有统计学意义（P0.05），见表1。2.2不同算法图像质量及实性、磨玻璃结节可见度评分结果比较DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分，均高于 ASIR-V和 DLIR-M结果，DLIR-M结果高于ASIR-V，差异具有统计学意义（P0.05），见表2、（图3.4）。2.3不同算法肺结节准确性结果比较120例患者ASIR-V、DLIR-M、DLIR-H肺结节准确率分别为81例（67.50%）、95例（79.17%）、104例（86.67%），差异具有统计学意义（P0.05）。3讨论胸部CT是肺结节检查的重要手段，肺结节患者确诊后需要长期跟踪随访，必会导致受检者接受的射线剂量大于其他部位，增加安全风险5-7。近几年在提高CT图像质量上，CT技术硬件设备更新及扫描参数的改变可降低辐射剂量，改进滤波反投影算法（FBP）、代数重建算法（ART）、自适应统计迭代重建（ASIR）、基于模型的迭代重建（MBIR）等图像重建算法，但受到噪声、重建速度、空间分辨率、伪影等多种因素影响，限制了图像质量进一步的优化及辐射剂量的降低。在低剂量扫描条件下，使用高权重迭代重建算法可以有效降低图像噪声，保证图像质量，但过高权重的迭代重建算法不仅降低了图像噪声幅度，还改变了噪声纹理，导致图像呈现“塑料样”或者“蜡质感”外观8。随着计算机硬件设备的完善及计算能力的提升，DLIR逐渐应用于肺部 CT的检查，DLIR是首个还原原始图像的深度学习CT影像重建算法，主要基于深度神经网络（DNN）技术，通过图像重建的卷积神经网络结构，利用重建损失和对抗损失优化模型参数，增强重建图像的纹理细节信息，减少重建图像表1不同算法图像质量客观评价指标结果比较（-x s）方法ASIR-VDLIR-MDLIR-H总NI（dB）29.05 1.3125.69 1.2021.14 1.35肺组织SNR20.37 3.6223.14 3.2726.85 3.46肺组织CNR19.94 2.1616.08 1.8913.70 1.96方法ASIR-VDLIR-MDLIR-H实性结节NI34.43 5.2528.18 5.0224.39 5.58SNR22.17 2.6024.42 2.7328.23 2.80CNR41.43 4.2536.18 4.0230.39 3.58磨玻璃结节NI35.43 4.2531.18 3.0228.39 2.58SNR20.84 3.1823.16 3.5227.62 3.29CNR44.56 4.3739.36 4.2932.58 4.02表2不同算法图像质量及实性、磨玻璃结节可见度评分结果比较（-x s，分）方法ASIR-VDLIR-MDLIR-H图像质量评分2.32 0.633.03 0.503.54 0.69结节可见评分（实性结节）2.25 0.282.62 0.313.45 0.32结节可见评分（磨玻璃结节）2.40 0.352.91 0.423.57 0.3612图1女，61 岁。左肺上叶尖后段纯磨玻璃小结节，大小约6 mm8 mm，CT值约-659 HU，界清。常规剂量CT扫描下的纯磨玻璃结节，CTDIvol：7.28 mGy，DLP：207.7 mGy.cm。图 2女，72 岁。左肺下叶前内基底段纯磨玻璃小结节，大小约 5 mm8 mm，CT值约-570 HU，界清。低剂量CT扫描下的纯磨玻璃结节，CTDIvol：2.76 mGy，DLP：86.9 mGy.cm。141医学影像学杂志2024年第34 卷第3 期 J Med Imaging Vol.34 No.3 2024与真实图像的结构误差9。本文结果显示，与ASIR-V 和 DLIR-M 比较，DLIR-H 总 NI、肺组织 CNR 及实性结节、磨玻璃结节NI和CNR，差异具有统计学意义（P0.05）。DLIR算法通过持续学习人体不同组织的高剂量条件下的高清真实影像数据，高质量图像的噪声分布特征，将高剂量、高质量的FBP算法图像作为训练集，以大量案例作为验证集，将这些图像纹理进行模式化，将其图像作为“金标准”，将低剂量图像与其图像的噪声、分辨率及纹理等参数进行比较、修正、优化，使重建低剂量条件下扫描出来的影像，保证模型的泛化准确性和真实的高保真图像，获得更高质量的图像，非常接近真实纹理10。本文显示，DLIR-M和DLIR-H的DLIR-H图像质量评分、实性结节、磨玻璃结节可见评分均优于ASIR-V（P0.05）。运用DLIR算法重建螺旋CT增强图像在临床上具有一定潜在优势，与传统算法相比，DLIR算法能够有效降低图像噪声，提高图像质量，且其中迭代重建算法具备不同锐利度的卷积核，肺卷积核的重建图像越锐利，空间分辨率越高，标准卷积核的重建图像越平滑，空间分辨率越低。DLIR在不改变图像噪声纹理的前提下，能显著减少图像噪声，降低约30%的扫描剂量，具备图像噪声纹理、解剖结构和影像特征的高保真性能，提高图像质量。综上所述，胸部CT在肺结节的临床应用中，低剂量DLIR算法能够有效降低噪声，提高图像质量，提高诊断率，有望更好的实现对肺结节的诊断筛查体检。参考文献：1ALEXIA R，ANTONIO G，GENNAR I，et al.Impact of deep learning image reconstructions（DLIR）on coronary artery calcium quantification J.Eur Radiol，2023，33（6）：3832-3838.2杨硕，别依凡，庞国栋，等.深度学习图像重建算法在肝脏增强 CT 成像中改善图像质量及辐射剂量的应用价值 J.医学影像学杂志，2023，33（5）：785-789.3王梅，花立春，唐颖，等.基于深度学习的图像重建算法在CT图像重建中的应用进展 J.中国医疗设备，2022，37（12）：157-161.4中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组.肺结节诊治中国专家共识（2018年版）J.中华结核和呼吸杂志，2018，41（10）：763-771.5王春辉，马文娟，孟巴音，等.256 排 CT ASIR-V权重比的变化对冠状动脉 CTA 图像质量及辐射剂量的研究 J.医学影像学杂志，2022，32（6）：1049-1053.6DOMENICO D S，TIZIANO P，GIUSEPPE T，et al.Deep learning image reconstruction algorithm：impact on image quality in coronary computed tomography angiographyJ.Radiol Med，2023，128（4）：434-444.7沈蕾蕾，叶晓丹.肺结节影像检查技术 J.中国中西医结合影像学杂志，2021，19（1）：97-101.8符立辉，宋亭，刘珏，等.双源CT低管电压联合高级迭代重建技术对肺癌的诊断价值分析 J.医学影像学杂志，2022，32（1）：34-37.9曾文，曾令明，徐旭，等.基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估 J.四川大学学报（医学版），2021，52（2）：286-292.10沈蕾蕾 陈婧，叶晓丹，等.肺结节的CT后处理技术及征象解读 J.中国中西医结合影像学杂志，2021，19（2）：201-204.（收稿日期：2023-09-20）3A13B13C14A14B14C13A23B23C24A24B24C23A33B33C34A34B34C3图3A13C3 重建图像中不同直径磨玻璃结节的显示。图4A14C3 重建图像中不同直径实性结节的显示。142