中华放射医学与防护杂志  2020, Vol. 40 Issue (9): 722-727   PDF    
人工智能图像优化技术在低剂量胸部CT检查中的初步应用研究
张磊1 , 时洪坤1 , 董书杉2 , 朱万安1     
1. 吉林大学第一医院放射科, 长春 130021;
2. 东软医疗系统股份有限公司CT产品事业部, 沈阳 110167
[摘要] 目的 探讨人工智能(AI)图像优化技术对低剂量胸部CT平扫图像质量及辐射剂量的影响。方法 前瞻性连续纳入2019年7月至8月于吉林大学第一医院采用NeuViz Prime CT行胸部CT平扫的80例患者,按随机数表法分为A、B两组,每组40例。A组为低剂量组,B组为常规剂量组,分别采用100及120 kV管电压;两组均采用自动管电流技术,参考毫安秒分别为70及140 mAs。根据重建方法的不同,将低剂量组分为A1、A2两个亚组,A1组为低剂量迭代组,采用迭代算法(ClearView 50%)重建图像;A2组为低剂量AI组,采用AI图像优化算法进一步优化A1组图像;B组采用迭代算法(ClearView 50%)重建图像。通过容积CT剂量指数(CTDIvol)、剂量长度乘积(DLP)和有效辐射剂量(E)的值,比较A、B两组辐射剂量的差异。比较A1、A2及B组感兴趣区的噪声值(SD)、信噪比(SNR)及对比噪声比(CNR)。由两名高年资放射科医生以Likert 5级评分法对3组图像质量进行主观评价。结果 A、B两组患者临床资料的比较差异均无统计学意义。A组与B组相比[(1.48±0.49)mSv vs.(5.30±1.40)mSv],有效辐射剂量降低约72.1%。在图像质量方面,与B组相比,A1组SD较高且SNR及CNR较低(ZSD=-4.24,ZSNR=-2.54,tCNR=-2.27,P < 0.05)。经AI优化后,A2组的SD显著低于B组(ZSD=-28.24,P < 0.001),且SNR及CNR显著高于B组(tSNR=-26.04,tCNR=-36.88,P < 0.001);两组图像噪声的主观评分差异无统计学意义,但B组在肺内组织结构显示方面优于A2组(χ2=4.96、7.04,P < 0.05)。结论 在辐射剂量降低约72.1%的情况下,经AI优化的低剂量胸部CT图像可达到常规剂量图像质量水平。
[关键词] 人工智能    胸部计算机体层成像    辐射剂量    
Impact of artificial intelligence imaging optimization technique on image quality of low-dose chest CT scan
Zhang Lei1 , Shi Hongkun1 , Dong Shushan2 , Zhu Wan'an1     
1. Department of Radiology, Ji Lin University 1st hospital, Changchun 130021, China;
2. CT Business Unit, Neusoft Medical System Co., Ltd, Shenyang 110167, China
[Abstract] Objective To investigate the impact of artificial intelligence imaging optimization technique on the image quality and radiation dose of low-dose chest CT scan. Methods Eighty patients who underwent chest CT examination in the Jilin University 1st hospital from July to August, 2019 were randomly divided into two groups(A, B), with 40 patients in each. The voltage of group A was 100 kV, while the other was 120 kV. According to different reconstruction method, group A was divided into two subgroups, group A1 and group A2. The images of A1 were reconstructed by iterative algorithm (ClearView 50%), while A2 images were optimized A1 by NeuAI imaging optimization technique. Group B used iterative algorithm (ClearView 50%) to reconstruct the image. The CT dose index (CTDIvol), dose-length product (DLP) and effective radiation dose (E) of group A and group B were recorded and compared. Objective the evaluation indicators were CT noise (SD), signal-to-noise ratio (SNR) and comparative noise ratio (CNR) of ROI. Subjective evaluation was done by 2 chief radiologists using double-blind method and image quality was graded by 5-point Likert scale. Results The patient characteristics between group A and group B showed no significant differences(P>0.05). Compared with group B, the effective radiation dose in group A was reduced by 72.1%[(1.48±0.49) mSv vs. (5.30±1.40) mSv]. The SD in group A1 was higher than that in group B, while SNR and CNR were lower (ZSD=-4.24, ZSNR=-2.54, tCNR=-2.27, P < 0.05). The SD in group A2 was significantly lower than that in group B (ZSD=-28.24, P < 0.001), and SNR and CNR were significantly higher than that in group B (tSNR=-26.04, tCNR=-36.88, P < 0.001). There was no significant difference in subjective scores of image noise between group A2 and group B, while subjective scores of lung structure in group B were better than those in group A2(χ2=4.96、7.04, P < 0.05). Conclusions Although the radiation dose was reduced by 72.1%, the low-dose chest CT images optimized by AI could reach the image quality level of standard dose.
[Key words] Artificial intelligence    Chest computed tomography    Radiation dose    

随着CT技术发展,CT扫描逐渐成为肺部疾病检查的重要影像学方法,但由其电离辐射而引发的安全问题也逐渐受到人们的关注[1]。相关研究表明,CT辐射剂量每增加1 mSv,患者恶性肿瘤的发病率将增加0.05‰[2]。目前,低剂量已成为胸部CT扫描的研究热点,该方式鼓励临床以不影响诊断为前提,尽可能降低患者所受辐射剂量[3]。与此同时,迭代重建(iterative reconstruction, IR)算法的引入,在一定程度上解决了由于剂量降低而导致图像质量下降的问题,使得低剂量CT检查得到了进一步的发展[4]。IR算法以循环迭代的方式来降低图像噪声并抑制硬化伪影等产生,但在该过程中易发生图像过于平滑或细节丢失等问题[5]。随着人工智能(artificial intelligence, AI)技术的发展,基于深度学习的AI算法逐渐应用于医学图像的优化,为提高CT图像质量提供了新的思路[6-8]。本研究通过AI图像优化技术对图像质量及辐射剂量的影响,探讨AI图像优化技术对低剂量胸部CT检查的价值。

1、资料与方法

1.一般资料:前瞻性连续纳入2019年7月至8月于吉林大学第一医院128层CT行胸部平扫的80例患者。纳入标准:年龄大于18岁者;具有完整临床资料者。排除标准:呼吸无法自主配合检查者;妊娠期妇女。本研究经院伦理委员会批准[(2019年)临审第(2019-311)号],所有患者检查前均签署知情同意书。共纳入男43例、女37例,年龄18~80岁,平均年龄(51.9±12.9)岁,体质量指数(BMI)为(23.91±3.08)kg/m2。采用随机数表法将80例患者分为A、B两组,每组各40例。A组年龄18~80岁,平均年龄(52.00±12.37)岁,BMI(24.05±3.69)kg/m2,;B组年龄18~76岁,平均年龄(51.85±13.65)岁,BMI(23.78±2.35)kg/m2

2.检查方法:所有患者均采用NeuViz Prime CT(中国沈阳东软医疗系统股份有限公司)行胸部平扫。患者扫描前进行呼吸训练,采用仰卧位,扫描范围为肺尖至肺底。所有患者均采用O-Dose自动管电流调制技术,A组(低剂量组)参考电流70 mAs,管电压100 kVp;B组(常规剂量组)参考电流140 mAs,管电压120 kVp。两组除管电压及电流外,其他扫描参数基本保持一致,分别为转速0.5 s,准直128×0.625 mm,螺距1.0,扫描视野500 mm×500 mm。所有图像采用肺窗轴位重建,窗宽1 500 HU,窗位-700 HU,重建矩阵512×512,重建层厚1.0 mm,滤波参数Lung20。

3.图像后处理及AI优化:A组图像首先进行50% ClearView迭代重建,将重建图像作为A1组,用于临床诊断使用;随后应用AI成像优化平台进行图像重建,将重建结果作为A2组。该平台以高噪声的体模及人体胸部CT图像作为训练数据输入,以常规剂量优质胸部CT图像作为输出,利用半监督的生成对抗网络进行CT噪声分布特征的学习,建立定制化的图像优化模型,可准确地将A1组图像的噪声伪影进行精准分离而不影响其解剖结构的显示。B组仅采用50% ClearView迭代算法重建图像。

4.图像质量分析:将所有图像传入东软医疗AVW 2.0工作站进行图像质量分析。

(1) 客观评价:分别取主动脉弓、气管隆突下及上腹肝门3个层面的图像,于每一层面皮下脂肪及主动脉内分别放置2个面积为30~50 mm2的感兴趣区(region of interest, ROI)。测量各ROI的CT值及标准差(standard deviation, SD),SD值代表相应组织的噪声值。分别计算每例图像3个层面脂肪CT值平均值(CT脂肪)、主动脉血管内CT值(CT血管)的均值及SD均值。通过公式计算图像信噪比(signal to noise ratio, SNR):SNR=CT血管/SD,对比噪声比(contrast to noise ratio, CNR): CNR=(CT血管-CT脂肪)/SD[9]

(2) 主观评价:由两名高年资放射科医生采用Likert 5级评分法[10],从主观噪声及肺内结构(血管和支气管)的显示情况等方面对所有图像进行评分。主观噪声评分标准为:5分,图像质量优良,噪声小;4分,图像质量好,轻微噪声;3分,图像质量中等,噪声情况一般;2分,图像质量较差,噪声较多;1分,图像质量极差,噪声情况严重。肺内结构(血管及支气管)清晰度的评分标准为:5分,出色的可视度,边界锐利,细节显示清晰;4分,可视程度超过平均水平,边界及细节显示良好;3分,可接受的可视程度,边界及细节显示一般;2分,欠佳的可视程度,边界模糊,细节显示不清;1分,无法接受的可视程度,无法区分边界及细节。图像主观评分≥3分即认为图像可被临床接受。

5.辐射剂量的计算:记录A、B两组患者剂量报告内的电压、电流、容积CT剂量指数(CT dose index, CTDIvol)及剂量长度乘积(dose length product, DLP)并计算有效辐射剂量(effective dose, E),其中E=DLP×k,式中k为CT扫描转换因子,参考欧盟委员会(EC)CT质量标准指南,胸部k值为0.014 mSv·mGy-1·cm-1 [11]

6.统计学处理:采用SPSS 25.0统计软件进行分析。连续变量采用x±s或中位数(第一四分位数-第三四分位数)表示,分类变量用频数表示。对连续变量采用Shapiro-Wilk检验进行正态分布检验。对符合正态分布的数据采用独立样本t检验或配对样本t检验;对不符合正态分布的数据采用Mann-Whitney U或Wilcoxion秩和检验。采用卡方检验对图像主观评分进行比较,两名医师主观评分一致性分析采用Cohen Kappa检验。P < 0.05为差异有统计学意义。

2、结果

1.一般资料:80例患者均一次性完成胸部CT平扫检查,扫描数据均满足要求。A、B两组患者的年龄、性别、BMI及扫描长度比较差异均无统计学意义(P>0.05, 表 1)。

表 1 3组图像的客观评价指标比较(x±s) Table 1 Comparison of objective evaluation indexes of the images in groups A1, A2 and B(x±s)

2.图像质量分析:客观图像质量评价通过比较A1和A2两组图像的CT值以及A1组、A2组及B组3组图像在SD、SNR及CNR的差异而得出。在CT值方面,经AI优化后的A2组与A1组在血管及脂肪CT值的比较差异无统计学意义(P>0.05)。在图像SD、SNR及CNR方面,低剂量迭代组(A1组)的SD显著高于常规剂量组(B组),而SNR及CNR均显著低于B组(ZSD=-4.24、ZSNR=-2.54、tCNR=-2.27,P < 0.05);而A1组经AI优化后得到的低剂量AI组(A2组)的SD显著低于B组(图 1),且SNR及CNR显著高于B组(tSD=-28.24、tSNR=19.43、tCNR=25.65,P < 0.001)(表 1)。A2组与A1组相比,图像SD降低约73.4%,SNR及CNR分别提高了约272.5%、268.5%。

A、B.(100 kV,39 mAs)低剂量组图像,分别采用IR及AI重建算法,图像噪声分别为155.1及48.3;C.(120 kV,96 mAs)常规剂量扫描及IR重建图像,图像噪声为119.3 图 1 A1组、A2组及B组的胸部CT图像对比 A1, A2 and B A, B. (100 kV, 39 mAs) The images of low dose groups which were reconstructed by iterative algorithm and AI optimization respectively, and the SD were 155.1 and 48.3, respectively; C. A standard dose scanning protocol (120 kV, 96 mAs) and iterative reconstruction, and the image SD was 119.3 Figure 1 Comparison of chest CT images of groups

图像主观评价结果显示两名医师对A1组、A2组及B组图像主观评分的一致性良好。两位医师图像噪声主观评价Kappa值分别为0.94、0.89、0.90,组织结构(血管及支气管)的显示主观评价Kappa值分别为0.90、0.87、0.94。两名医师对A2组与A1组的主观评分比较结果在图像噪声(χ2=28.31、29.02,P < 0.001)及组织结构显示(χ2=18.95、13.09,P < 0.001)中差异均具有统计学意义(见表 2图 2)。A2组与B组图像噪声的主观评分差异无统计学意义,而肺内组织结构显示的主观评分差异有统计学意义(χ2=4.96、7.04,P < 0.05),B组图像的肺内组织的显示情况优于A2组图像(表 2)。

表 2 3组图像质量主观评分比较(x±s) Table 2 Comparison of subjective scores of the images in groups A1, A2 and B(x±s)

A~C.50% ClearView迭代重建的MPR图像;D~F.50% ClearView迭代重建基础上应用AI优化的MPR图像 图 2 AI优化前后的胸部MPR图像对比 A-C. MPR images underwent 50% ClearView iterative algorithm; D-F. MPR images reconstructed by 50% ClearView iterative reconstruction and AI techniques Figure 2 Comparison of chest MPR images before and after AI optimization

3.辐射剂量比较:低剂量组(A组)在各辐射剂量指标上均显著低于常规剂量组(B组),电流、CTDIvol、DLP及E的比较差异均具有统计学意义(Z=-6.78、-7.70、-7.69、-7.69,P < 0.001,见表 3。与B组相比,A组有效辐射剂量E降低约72.1%。

表 3 两组辐射剂量指标的比较(x±s) Table 3 Comparison of radiation dose between groups A and B(x±s)

3、讨论

CT图像质量是影响诊断准确性的重要因素之一,增加CT辐射剂量能够提高图像质量,但由此引发的电离辐射安全问题同样需要重视,为此,低剂量CT扫描得到学术界的普遍认可[3]。而如何平衡CT辐射剂量与图像质量的关系,仍是临床研究的重点[12]。本研究利用AI图像优化技术,对IR重建的低剂量CT图像进行再次优化,并将优化后的图像与常规剂量CT图像进行对比。结果显示,经AI优化后的低剂量IR组,其图像质量的客观及主观评价指标均能达到常规剂量CT图像的标准,实现了降低辐射剂量的同时,图像质量不受影响。

近年来,IR重建技术已被证实能够有效减小图像的噪声及伪影情况,提高低剂量CT扫描的图像质量[13]。但有研究显示,通过IR技术提高CT图像质量的程度有限,在SD降低50%或CNR提高100%后,IR技术提高图像质量的能力有所下降[14]。而过度提高IR权重可能会使CT图像出现过于平滑等伪自然现象,存在细节丢失的风险[13]。随着AI技术的发展,基于深度学习重建(deep learning reconstruction, DLR)算法的低剂量CT图像优化技术已成为当下研究的热点[15]。Wang等[6]研究采用AI算法进一步优化50% IR重建的低剂量主动脉CTA图像,并将其与常规剂量图像对比;研究显示,AI图像优化技术可显著提高图像质量。Akagi等[8]对比了DLR及两种IR算法对腹部CT图像质量的提升效果,结果显示,经DLR重建图像的整体质量优于其余两组IR图像。可见,AI技术相较于IR,在CT图像质量的提升方面存在更大潜力。

本研究中的AI图像优化技术应用DLR算法对胸部CT图像进行处理,其原理是将高噪声图像作为神经网络的输入,以低噪声或无噪声图像作为目标,利用神经网络对图像中的噪声分布进行训练,并将训练所得模型作用于后续图像的噪声识别及分离,从而对CT图像精准降噪优化。因此,应用该方式的图像优化技术可以极大地保留CT图像的细节。此外,本研究中AI算法的开发以真实CT图像作为训练集,能够直接应用于CT图像重建的流程中,可在迭代重建的基础上进一步修正图像噪声情况。本研究结果显示,在50% ClearView迭代重建的基础上应用AI图像优化技术,使得低剂量CT图像的SD进一步降低,SNR及CNR提高,且SD、SNR、CNR等客观指标仍优于常规剂量图像。本研究以50%作为最佳IR挡位,主要参考了此前的相关研究[6, 14]

Greffier等[16]采用体模实验的方式,在获得基本相同质量CT图像的情况下,相比于50%权重的IR,AI技术可减少56%的辐射剂量。本试验根据以往研究中的低剂量及常规剂量标准(低剂量1~2 mSv、常规剂量5~7 mSv)[7],设置了低剂量组及常规剂量组。结果显示,低剂量组相较于常规剂量组辐射剂量降低约72.1%,而低剂量AI组与常规剂量组相比,图像整体噪声的主观评分差异无统计学意义,虽然其肺内组织结构显示的主观评分较常规剂量组偏低,但仍优于低剂量迭代组。可见,AI图像优化技术在低剂量胸部CT检查中存在潜力,仍具有应用更低剂量扫描的可能。

本研究的局限性在于:①入组患者的BMI普遍偏大,未考虑个体差异对CT图像质量的影响。②仅选择一组低剂量扫描方案,没有对更低剂量扫描方案进行尝试。③图像主观评价只考虑图像整体的细节显示及噪声情况,未区分阴性及阳性病例,未对疾病进行分类。④由于AI技术的应用效果与其开发过程中输入的训练数据特征直接相关,AI算法的使用需要匹配其训练数据的解剖部位才能保证其优化效果,因此,其泛化能力较弱,本研究所用的胸部AI算法仅在应用于胸部CT图像的优化时才能发挥最大能效,因此,本试验也仅能验证其在胸部图像的优化效果。以上内容将在今后的研究中进一步探讨。

综上所述,AI成像优化技术可进一步降低迭代重建的低剂量CT图像的噪声、提高其信噪比及对比噪声比,且对图像细节保留良好。因此,人工智能成像优化技术可为低剂量胸部CT图像质量的改善提供更多可能。

利益冲突  本研究具有独立性与科学性,研究设计、收集、分析和文章撰写均由本文的共同作者完成,共同作者间无利益冲突关系。本研究与商业机构间无财务往来

作者贡献声明  张磊负责设计研究方案,撰写论文;时洪坤负责图像采集;董书杉协助图像分析及撰写论文;朱万安负责写作指导及对文章内容作批评性审阅

参考文献
[1]
National Lung Screening Trial Research Team, Aberle DR, Adams AM, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. N Engl J Med, 2011, 365(5): 395-409. DOI:10.1056/NEJMoa1102873
[2]
Moos SI, van Vemde DNH, Stoker J, et al. Contrast induced nephropathy in patients undergoing intravenous (IV) contrast enhanced computed tomography (CECT) and the relationship with risk factors:a meta-analysis[J]. Eur J Radiol, 2013, 82(9): e387-399. DOI:10.1016/j.ejrad.2013.04.029
[3]
刘士远, 于红. 积极推进胸部低剂量CT扫描的临床应用[J]. 中华放射学杂志, 2010, 44(1): 6-7.
Liu SY, Yu H. Actively promote the clinical applications of low-dose chest CT scans[J]. Chin J Radiol, 2010, 44(1): 6-7. DOI:10.3760/cma.j.issn.1005-1201.2010.01.002
[4]
Prakash P, Kalra MK, Ackman JB, et al. Diffuse lung disease:CT of the chest with adaptive statistical iterative reconstruction technique[J]. Radiology, 2010, 256(1): 261-269. DOI:10.1148/radiol.10091487
[5]
Christe A, Charimo-Torrente J, Roychoudhury K, et al. Accuracy of low-dose computed tomography (CT) for detecting and characterizing the most common CT patterns of pul-monary disease[J]. Eur J Radiol, 2013, 82(3): e142-e150. DOI:10.1016/j.ejrad.2012.09.025
[6]
Wang Y, Yu M, Wang M, et al. Application of artificial intelligence-based image optimization for computed tomography angiography of the aorta with low tube voltage and reduced contrast medium volume[J]. J Thoracic Imaging, 2019, 34(6): 393-399. DOI:10.1097/RTI.0000000000000438
[7]
Kanii Y, Ichikawa Y, Nakayama R, et al. Usefulness of dictionary learning based processing for improving image quality of sub millisievert low dose chest CT:initial experience[J]. Jpn J Radiol, 2020, 38(3): 215-221. DOI:10.1007/s11604-019-00912-5
[8]
Akagi M, Nakamura Y, Higaki T, et al. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT[J]. Eur J Radiol, 2019, 29(11): 6163-6171. DOI:10.1007/s00330-019-06170-3
[9]
Xin X, Shen J, Yang S, et al. Improved image quality of low-dose CT combining with iterative model reconstruction algorithm for response assessment in patients after treatment of malignant tumor[J]. Quant Imaging Med Surg, 2018, 8(7): 648-657. DOI:10.21037/qims.2018.08.05
[10]
Phelps AS, Naeger DM, Courtier JL, et al. Pairwise comparison versus likert scale for biomedical image assessment[J]. AJR Am J Roentgenol, 2015, 204(1): 8-14. DOI:10.2214/AJR.14.13022
[11]
Hata A, Yanagawa M, Honda O, et al. Ultra-low-dose chest computed tomography for interstitial lung disease using model-based iterative reconstruction with or without the lung setting[J]. Medicine(Baltimore), 2019, 98(22): e15936. DOI:10.1097/MD.0000000000015936
[12]
中华医学会放射学分会质量管理与安全管理学组. CT辐射剂量诊断参考水平专家共识[J]. 中华放射学杂志, 2017, 51(11): 817-822.
Quality Management and Safety Management Group, Radiology Branch, Chinese Medical Association. Expert consensus on reference level of CT radiation dose diagnosis[J]. Chin J Radiol, 2017, 51(11): 817-822. DOI:10.3760/cma.j.issn.1005-1201.2017.11.001
[13]
Geyer LL, Schoepf UJ, Meinel FG, et al. State of the art:Iterative CT reconstruction techniques[J]. Radiology, 2015, 276(2): 339-357. DOI:10.1148/radiol.2015132766
[14]
Barca P, Giannelli M, Fantacci ME, et al. Computed tomography imaging with the adaptive statistical iterative reconstruction (ASIR) algorithm:dependence of image quality on the blending level of reconstruction[J]. Australas Phys Eng Sci Med, 2018, 41(2): 463-473. DOI:10.1007/s13246-018-0645-8
[15]
Chen H, Zhang Y, Zhang W, et al. Low-dose CT via convolutional neural network[J]. Biomed Opt Express, 2017, 8(2): 679-694. DOI:10.1364/BOE.8.000679
[16]
Greffier J, Hamard A, Pereira F, et al. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT:a phantom study[J]. Eur Radiol, 2020, 30(7): 3951-3959. DOI:10.1007/s00330-020-06724-w