随着大孔径多排螺旋CT在放射治疗领域的普及^[1-3]，低剂量CT(low dose CT，LDCT)扫描技术因其辐射剂量低、辐射危害小的优势被广泛关注^[4-7]。然而，降低辐射剂量会增加图像噪声，从而对放射治疗医生勾画靶区造成不利影响，影响放疗计划的准确性。针对该问题人们提出了很多改善低剂量CT图像质量的方法^[8-9]，其中深度学习方法得益于其强大的特征学习与映射能力^[10-13]，去噪效果远优于传统方法，因此，在图像优化中的应用愈加广泛。

深度学习方法需要大量常规剂量CT和低剂量CT的训练数据，以供神经网络学习两者间的映射关系。而真实的低剂量CT图像需要受检者在临床常规剂量之外，额外承受低剂量扫描的辐射剂量，通常难以获取^[14]。因此，有必要研究其他可替代的方法生成深度学习方法所需的训练集。目前，模拟定位CT机提供多种重建算法和内核，不同算法重建的CT图像具有不同的噪声水平。本研究提出一种以等价噪声水平重建图像替代低剂量CT图像的方法，无需通过实际扫描获取深度学习训练所需的低剂量CT图像。而是在常规剂量下扫描，并使用不同重建算法得到一组噪声高和一组噪声低的CT图像，以噪声水平高的图像代替低剂量CT图像作为输入，噪声水平低的图像作为输出，训练循环一致性生成对抗网络(cycle-consistent adversarial networks，CycleGAN)模型，实现降噪目的。实验证明，该方法训练的深度学习模型能有效降低低剂量CT的噪声，具有较强的应用价值。

1. 研究数据：本研究纳入数据来自中国医学科学院肿瘤医院放疗科的70例头颈部肿瘤患者，3个仿真头部模体，包括Alderson-Rando Anthropomorphic头部模体(加拿大，Radiology Support Devices)，Head-Neck Anthropomorphic Phantom头部模体(美国，Radiological Support Services)和CIRS-SBRT 038模体(美国，CIRS Tissue Simulation & Phantom Technology)，以及Catphan 700图像质量检测模体(美国，The Phantom Laboratory)，由CTP682, CTP714, CTP515, CTP712, CTP721和CTP723模块组成。其中Catphan 700模体中的CTP712模块和CIRS-SBRT 038仿真头部模体将用于生成测试集，患者数据及其余模体数据将用于生成训练集。

2.生成训练集和测试集：由于曝光量对辐射剂量的影响较为显著，所以改变曝光量成为最常用的降低辐射剂量的方法^[15-17]。本研究设定理想低剂量CT所用曝光量为35 mAs。飞利浦大孔径模拟定位CT机(Philip Brilliance CT Big Bore，荷兰)提供了多种重建算法和内核，通过不同算法重建的图像具有不同的噪声水平。其中iDose⁴在投影空间和图像空间进行基于噪声模型系统和解剖模型系统的迭代运算，并通过RapidView IR图像重建平台进行图像重建。而全模型迭代重建技术(iterative model reconstruction，IMR)作为最新一代迭代重建算法，基于数字芯片探测器和硬件平台的非线性重建技术，以结构化知识模型为基础，可在重建过程中准确建立数据统计模型以及图像统计模型，得到最真最优的图像显示。对于相同扫描条件，iDose⁴重建算法得到的图像噪声相对较大，而IMR重建算法得到的图像噪声较小。因此，本研究使用常规剂量扫描时iDose⁴重建的高噪声图像，并将其与常规剂量扫描时IMR重建的低噪声图像组成配对生成训练集。

为了找出可替代低剂量扫描条件下IMR重建算法的对应图像，本研究对CTP712均匀模块在常规临床使用的曝光量250 mAs下重复20次扫描所获得的投影数据，分别用不同降噪水平(Level 1~Level 6)的iDose⁴重建算法进行离线重建，计算得到图像的噪声强度分布直方图^[18]，找出分布曲线与35 mAs扫描条件下IMR重建算法相近的图像，作为模拟的等价低剂量CT图像(图 1)。

图 1 模拟噪声等价低剂量CT的流程图 Figure 1 Flow chart of simulating noise equivalent images of low-dose CT

对于训练集部分，对患者和相应的模体进行临床条件的CT扫描，即曝光量为250 mAs，采集到的投影使用上述步骤中得到的iDose⁴重建噪声Level和IMR算法重建分别得到高噪声图像和低噪声图像，将高噪声图像作为模型的输入，低噪声图像作为输出来训练模型。

对于测试集部分，对相应的模体分别采用35和250 mAs作为扫描条件，并均使用IMR重建，分别得到高噪声的低剂量CT和低噪声的常规剂量CT，使用低剂量CT作为模型输入生成伪常规剂量CT，使用常规剂量CT作为评估标准。

上述CT扫描管电压设置为120 kV, 重建图像大小为512×512，像素点的大小为0.91 mm×0.91 mm ×1.99 mm。所有图像取最小值为-1 000，最大值为3 095，进行线性归一化处理。

3.深度学习方法：深度学习的任务是输入低剂量CT图像，输出伪CT图像。本研究使用CycleGAN神经网络学习低剂量CT图像和常规剂量CT图像间的映射关系，其训练及测试过程如图 2所示。

图 2 CycleGAN深度学习方法训练及测试流程 Figure 2 Training and test process of CycleGAN deep learning model

CycleGAN由两个GAN网络拼接而成并引入了循环一致性损失(cycle-consistency loss)，这种双向循环的方式使得它能够训练生成模型而无需特别明确的目标样本，也就是无需完全配对的低剂量CT-常规剂量CT数据就可以训练生成器，然而由于CycleGAN的训练，容易出现训练模式崩溃等问题。因此为了加快收敛，本研究选择使用配对数据进行训练，即同一原始数据生成的iDose⁴图像作为低剂量CT的图像数据，IMR图像作为常规剂量CT的图像数据。CycleGAN的判别器使用了70×70 Patch GAN，生成器使用了残差网络(图 3)，输入之后先通过一个7×7卷积层和层提取特征。该网络使用了9个残差块，每个残差块包含两个7×7卷积层，在残差块前后分别使用两个3×3的卷积层以及3×3的转置卷积层完成下采样和上采样操作，所有卷积层带有BN和Leaky ReLU操作，转置卷积层带有BN和ReLU操作。最后经过一个7×7卷积层和Tanh激活函数输出图像。

注：蓝色为卷积层，灰色为转置卷积层，加号表示特征层之间元素相加 A.残差网络；B. 70×70 Patch GAN 图 3 网络结构 A.Residual network; B. 70×70 Patch GAN Figure 3 Network structure

4.图像质量分析：CTP712是由类似水的材料构成的均匀模块，在其中心层面图像上选取5个大小为半径为6 mm的圆形区域，分别位于中央和上下左右距图像边缘6 cm处，将其CT值标准差(SD)的平均值记为此图像的噪声。

CIRS-SBRT 038型模体是一个包含多种内置模拟器官的高度拟人化模体，本研究在该模体内脑、脊髓、骨3个重要危及器官内选取面积为10 mm × 10 mm的感兴趣区域，定量计算预测图像和参考图像之间的噪声差异，以评估该方法在人体中的效果。

1. 噪声等价图像选择：图 5为不同图像重建方法的噪声强度分布及直方图，包括250 mAs扫描条件下不同降噪水平(Level 1~Level 6)的iDose⁴重建算法，以及35 mAs扫描条件下IMR重建算法。可见iDose⁴ Level 1(图 4中红线)与低剂量IMR图像的噪声强度分布几乎一致。因此，本研究使用iDose⁴ Level 1方法重建的图像代替低剂量CT图像，与IMR重建的常规剂量CT图像配对组成训练集，用于模型训练。

注：IMR. 全模型迭代重建技术 A. 35 mAs下IMR图像的噪声分布; B. 不同重建方法的噪声强度分布直方图 图 4 噪声强度分布 A. Noise distribution of IMR images at 35 mAs; B. Histogram of noise intensity distribution of different reconstruction methods Figure 4 Noise intensity distribution

注：从上到下分别为脑(ROI 2)、脊髓(ROI 3)、骨(ROI 4) 图 5 低剂量CT、常规剂量CT及伪CT的不同感兴趣区域 Figure 5 Different regions of interest for low-dose CT, normal-dose CT, and pseudo-CT

2. 图像分析

(1) 图像质量检测模体：为了对比常规剂量CT、低剂量CT以及伪CT图像3者的噪声水平，测试集中CTP712模块的中心层面选取像素大小为10 cm×10 cm的圆形区域，分别测量中央和上下左右距图像边缘6 cm处的噪声值(SD)，并以五个区域噪声的平均值记为此图像的噪声。计算可得，低剂量CT的图像噪声为3.28 HU。与之相比，伪CT的图像噪声为1.81 HU，降低了45%。并且与常规剂量CT的图像噪声相近(1.79 HU)。

(2) 仿真头部模体：如图 5所示，在CIRS 038模体上，于脑，脊髓和骨处分别放置3个相同大小的感兴趣区域(10 cm×10 cm，红色方框标记，ROI 2-ROI 4)，计算其噪声值，得到如下结果(表 1): 在ROI 2中，低剂量CT，常规剂量CT及伪CT分别为4.44，2.23和2.49 HU，相对于噪声较高的低剂量CT，深度学习生成的伪CT图像在该区域的噪声降低了50%；在ROI 3和ROI 4中，伪CT图像的噪声相比于低剂量CT图像显著降低，从7.64和44.59 HU降低到了6.7及42.22 HU, 分别达到了13%和7%的降幅，并接近常规剂量CT图像在该区域的噪声(6.66和41.39 HU)。

表 1(Table 1)

表 1 不同器官感兴趣区域的低剂量CT, 常规剂量CT及伪CT图像的噪声值 Table 1 The noise value in interest regions of different organs for low-dose CT, normal-dose CT, and pseudo-CT 器官 低剂量CT 常规剂量CT 伪CT 脑 4.44 2.23 2.49 脊髓 7.64 6.66 6.70 骨 44.59 41.39 42.22

表 1 不同器官感兴趣区域的低剂量CT, 常规剂量CT及伪CT图像的噪声值 Table 1 The noise value in interest regions of different organs for low-dose CT, normal-dose CT, and pseudo-CT

本研究采用常规剂量下iDose⁴算法重建的噪声水平较高的CT图像替代低剂量扫描条件下IMR重建的CT图像，与常规剂量下得到的IMR重建CT图像共同训练了降低噪声的深度学习网络。使用常规剂量和低剂量扫描的模体IMR重建图像进行了实验验证，研究结果证明，该方法训练的降噪网络能有效降低低剂量CT的图像噪声，生成与常规剂量CT噪声水平相近的伪CT图像。

低剂量CT扫描可以降低被检者接受的辐射剂量，减少放射危害，其最主要的弊端就是图像噪声大。近年来，利用深度学习方法对低剂量CT图像进行降噪，提高图像质量也成为研究热点。但该类研究普遍存在的一个问题，就是在受检者接受常规剂量扫描时加扫低剂量CT会增加其接受的射线剂量，因此真实患者的低剂量CT图像在临床实践中难以获取，从而难以进行网络训练。美国医学物理学家协会(AAPM) TG233号报告中提出可以通过绘制噪声强度分布直方图的方法来分析CT图像中所有体素的噪声强度分布^[18]。因此，本研究利用多种图像重建算法，离线重建CTP712均匀模块图像并分析其噪声强度分布，确定常规剂量下iDose⁴ Level 1重建图像可替代低剂量下IMR重建图像作为深度学习网络的输入，解决了低剂量CT训练数据缺乏的问题。

此外，为了评估该模型的性能，对测试集中的图像质量检测模体和拟人化模体分别进行了图像噪声的定量分析。结果可见CTP712均匀模块上的噪声相对于低剂量图像大幅度降低，CIRS模体内置的脑，脊髓，骨等重要器官的噪声值也均显示了不同程度的降低，达到了与常规剂量图像相似的水平。可知该模型在对低剂量CT图像进行降噪上具有良好的性能与效果。

由于CT扫描的过程会给患者带来额外的辐射伤害，目前用于训练低剂量CT的模型主要通过在常规剂量CT扫描得的投影中添加额外的噪声模拟低剂量CT成像。然而临床使用中的CT往往难以直接获得投影数据，本研究使用不同的重建算法生成不同噪声水平的CT图像，并在实际的低剂量CT中得到了验证，为低剂量CT的临床使用提供新方法。

利益冲突  无

作者贡献声明  杨碧凝负责数据分析和论文撰写；刘宇翔负责材料收集；陈辛元负责网络训练；朱冀、曹莹负责图像扫描及文献整理；门阔指导方案研究设计和论文修改