16 cm宽体探测器可以同时获得全肾CT 3期增强图像及CT灌注(CT perfusion，CTP)图像，CTP成像为肾脏肿瘤鉴别提供了更多的帮助^[1-2]。由于CTP成像需要对靶器官进行动态扫描，扫描期相7~26期不等，因此，多期相的扫描，势必增加患者的辐射剂量。如果单纯降低扫描条件，则无法满足诊断要求。本研究拟在使用深度学习(deep machine learning)像素闪烁算法(PixelShine)对低剂量扫描的CTP数据进行重建，对比重建前后的图像质量，从而探讨深度学习像素闪烁算法在低剂量一站式肾脏CTP检查中提高图像质量的应用价值。

1.一般资料：回顾性收集2017年3月至8月来本院行肾脏CT增强检查的患者21例，对其进行全肾脏CT增强及灌注扫描。其中男12例，女9例，年龄28~77岁，平均年龄(54±16)岁。本研究经本院伦理委员会审核批准，所有患者在检查前均签署知情同意书。

2.仪器与方法：采用Revolution CT机出处，所有患者检查前禁食、禁水4 h。患者取仰卧位，先行肾脏平扫，然后进行灌注和增强3期扫描，管电压120 kVp，CTP采集管电流为20 mA，增强3期管电流为100 mA，轴扫模式，ASiR-V 80%，X射线管旋转时间0.5 s，z轴覆盖范围160 mm，矩阵512×512，扫描野(scan field of view，SFOV)50.0 cm；完全覆盖双侧肾脏；扫描层厚5 mm，层间隔5 mm。对比剂注射6 s后启动扫描，首次28 s采用屏气扫描，共获得15幅图像，然后分别于第39、43、47、51、63、83、113、153、213、353、593 s各采集1次，采集时间均为2 s(曝光0.5 s，间隔1.5 s)，患者平静缓慢呼吸，最终获得26期图像，其中第22、51及153 s分别采集增强的皮质期、髓质期及排泄期3期图像，管电流增加到100 mA。

灌注及增强扫描时经肘静脉使用高压注射器，先注射20 ml生理盐水，后注射85 ml碘海醇350 mgI/ml，后再注射20 ml生理盐水，速率均为5 ml/s。

3.后处理方法：所有CTP数据经深度学习像素闪烁算法(PixelShine)(美国AlgoMedica公司)的A7模式进行处理，处理前数据为A组，处理后数据为B组。首先比较增强3期序列A组、B组的数据，包括正常肾皮质的CT值、标准差(standard deviation，SD)值，右侧肾门水平竖脊肌的CT值与SD值。每个部位测量3个感兴趣区(region of interest，ROI)，ROI均为圆形，直径设置为5 mm，取均值进行后续的计算。计算肾脏皮质的对比噪声比(CNR)和信噪比(SNR)，CNR=(肾脏皮质CT值-竖脊肌CT值)/竖脊肌SD值；SNR=肾脏皮质CT值/竖脊肌SD值。其次比较A组与B组CTP数据的各灌注参数，CTP数据均在AW4.7工作站进行处理，处理前先进行呼吸校正，然后使用肾脏灌注软件包进行分析，获得肾皮质、肾髓质的血流量图(blood flow，BF)、血容量图(blood volume，BV)、平均通过时间(mean transit time，MTT)、达峰时间(time of peak，TP)、表面通透性(permeability of surface，PS)。分别测量肾脏皮质及髓质的灌注参数，每个部位测量3个ROI，取均值进行对比。记录系统自动生成的容积CT剂量指数(CT dose index of volume，CTDI_vol)及剂量-长度乘积(dose-length product，DLP)。

4.统计学处理：使用SPSS 17.0软件分析。经单样本Shapiro-Wilk检验数据是否符合正态分布，符合正态分布，使用x±s表示。使用配对样本t检验比较两组增强3期的竖脊肌SD值、肾皮质及肾髓质CT值、CNR、SNR、BF值、BV值、MTT值、TP值、PS值。P＜0.05为差异具有统计学意义。

1.两组数据皮质期图像质量对比结果：两组图像肾皮质SD值、竖脊肌SD值及CNR、SNR差异均有统计学意义(t=6.286、5.925、-5.892、-17.274，P < 0.05)，PS处理后的图像其SD值明显减低，CNR及SNR明显升高。两组图像肾皮质的CT值差异无统计学意义(P>0.05，表 1)。

表 1(Table 1)

表 1 两组图像质量的比较结果(x±s) Table 1 Comparison of image quality between two groups(x±s) 组别 例数 肾皮质CT值(HU) 肾皮质SD(HU) 竖脊肌SD(HU) CNR SNR A组 21 180.33±39.73 9.04±1.77 8.52±2.28 16.28±6.61 21.41±6.67 B组 21 178.86±39.42 5.75±1.00 5.67±0.98 28.90±1.50 30.65±7.67 t值 21 1.562 6.286 5.925 -5.892 -17.274 P值 21 0.134 0.000 0.000 0.000 0.000    注：A组.A7模式处理前数据；B组.A7模式处理后数据；SD.标准差；CNR.对比噪声比；SNR.信噪比

表 1 两组图像质量的比较结果(x±s) Table 1 Comparison of image quality between two groups(x±s)

2.两组CTP参数对比结果：两组的肾皮质、肾髓质BF、BV、TP及肾髓质的PS值差异均无统计学意义(P>0.05)，肾皮质的PS值差异有统计学意义(t=-2.343，P < 0.05，表 2)。

表 2(Table 2)

表 2 两组CTP参数的比较结果(x±s) Table 2 Comparison of CTP parametres between two groups(x±s) 组别 例数 血流量(ml·100 g-1·min-1) 血容量(ml/100 g) 达峰时间(s) 表面通透性(ml·100 g-1·min-1) 肾皮质 肾髓质 肾皮质 肾髓质 肾皮质 肾髓质 肾皮质 肾髓质 A组 21 259.96±123.80 74.12±36.25   32.83±4.49 12.85±2.59   22.97±2.61 149.56±32.00   34.45±3.73 137.64±40.30 B组 21 271.77±126.49 76.48±24.42 30.49±5.75 12.17±2.56 22.91±2.91 139.48±20.20 36.62±2.41 117.86±29.75 t值 21 -1.005 -0.251 2.208 0.654 0.108 1.065 -2.343 1.846 P值 21 0.344 0.808 0.058 0.531 0.916 0.318 0.047 0.102    注：A组.A7模式处理前数据；B组.A7模式处理后数据

表 2 两组CTP参数的比较结果(x±s) Table 2 Comparison of CTP parametres between two groups(x±s)

3.辐射剂量：每位患者总DLP为770.67 mGy·cm，有效剂量为11.56 mSv。

目前已经有一些关于肾细胞癌(renal cell carcinoma，RCC)CT灌注成像特征的研究。有学者使用灌注参数进行术前肿瘤组织学分型研究，结果发现，肾透明细胞癌(clear cell renal cell carcinoma，CCRCC)的BF、BV显著高于乳头状肾细胞癌(papillary renal cell carcinoma，PRCC)，而MTT显著低于乳头状肾细胞癌^[3]。同样，Gigli等^[4]研究也表明肿瘤的组织学亚型与灌注指标的相关性。不同核尔曼分级的CCRCC的灌注值差异有统计学意义。高的微血管密度(MVD)与高灌注指标一致，而较低的MVD显示较低的灌注指标。

研究显示，恶性病变(CCRCC、PRCC、嫌色RCC)的PS和MTT值与正常肾皮质差异有统计学意义，而BF和BV差异无统计学意义^{[2, 5]}。有研究使用CTP鉴别肾脏良、恶性肿瘤^[6]，其将恶性肿瘤(包括CCRCC、乳头状肾细胞癌和嫌色细胞癌)与正常肾皮质各CTP参数进行对比，结果表明，恶性肿瘤的PS值(14.21 ml·100 g^-1·min^-1)明显低于正常肾皮质(38.47 ml·100 g^-1·min^-1)。也有研究将灌注参数应用于对治疗的预后反应。对抗血管治疗有反应的患者的BF和BV值更高，而整个随诊中灌注参数保持稳定^[7]。对于抗血管治疗有反应的患者的BF、BV和PMB的显著降低，而现实进展的患者其灌注参数值在一系列随诊中升高。因此肾脏CTP成像在肾脏肿瘤的诊断、鉴别、预后评估等方面具有重要的价值。

深度学习是关于技术上算法的研究，其从经验数据中学习复杂的关系或模式，并且做出准确的决定。这是一个跨学科领域，与人工智能、图像识别、数据采集、统计学、概率论、统计物理学和理论计算机科学均有紧密关系。深度学习的应用包括自然语言过程、医学诊断、生物信息学、视频监控和金融数据分析。人工神经网络(artificial neural network，ANN)灵感来自于大脑学习和处理信息的方法，常被用于现实中解决分类和转归问题。神经网络由节点和相互连接组成。节点通常具有有限的计算能力，它们模拟神经元的行为就像一个开关，只有当神经递质积累足够时神经元才会被激活。连接的密度和复杂性是神经网络计算能力的真正来源。

神经网络通过它们的结构进行分类。1957年，Rosenblatt^[8]首次提出了神经网络模型感知器。感知器只有一层，本质上是一个线性分类。1960年，Bryson和Ho^[9]提出多层神经网络，介绍了用于训练神经网络的基本反向传播算法。理论上，3层神经网络可以学习任何复杂的函数。PixelShine技术被用于建立人工神经网络，以提高低剂量图像重建。为了建立该网络，该算法使用具有噪声的低剂量图像和相应的高剂量减少噪声图像配对进行训练。然后ANN软件学习了噪声低剂量图像和相应低噪声高质量图像的相关性。ANN在像素水平进行训练，这样可进行归纳总结，并且对解剖学区域具有非特异性。一旦ANN被训练，软件被赋予噪声图像和ANN，使用其学习节点和权重，能够输出无噪声的高质量图像。本研究使用的PixelShine软件有不同的处理模式，包括A1-7、B1-7，在本团队的前期工作中，发现A7模式更适用于软组织，因此，本研究采用A7模式处理。

近些年许多CT重建技术被提出。深度学习像素闪烁算法工具提取现有的图像，在训练的数据集中多次操作学习的基础之上，提高重建能力。本研究中，该工具被应用于上腹部低剂量图像的重建，并且明显提高了图像的对比噪声比及信噪比。

本研究结果显示，使用低剂量扫描获得的肾脏增强3期，使用像素闪烁算法进行处理后，其信噪比和对比噪声比明显升高，并且无论是肾脏皮质还是竖脊肌的噪声均明显减低，说明经过深度学习像素闪烁算法处理之后其图像质量明显提高。从理论上讲，肾皮质的CT值及竖脊肌CT值处理前后无明显差异性，但是SD值明显减低，因此CNR及SNR均明显升高。

经像素闪烁算法处理前后的肾脏CTP数据经灌注软件处理之后获得的各灌注参数值，除肾脏皮质的PS值之外，其余各灌注参数值差异均无统计学意义，说明像素闪烁算法的处理并不影响CTP的结果。而肾脏皮质的PS值虽然差异具有统计学意义，但是其P值为0.047，十分接近界限0.05，可能与本研究样本量较少有关，如果增大样本量，其结果应该更趋于稳定。

全肾脏CTP成像是近两年随着宽体探测器CT的出现而逐渐热门的研究方向，本研究团队前期亦有关于全肾脏CTP成像的研究报道，说明其应用于肾脏非常具有可行性^[10-11]。而深度学习像素闪烁算法，是刚刚研究的新的重建算法，尚未应用，因此尚无相关研究报道。故本研究的样本量较少，仅为初步的探讨性研究，希望为后续更为深入的研究奠定基础。

深度学习像素闪烁算法可以减小低管电压、低管电流扫描肾脏CTP图像的噪声，增加图像的对比噪声比，从而提高图像质量，并且不影响灌注参数值。