2. 飞利浦医疗临床科研部,上海 200070
2. Clinical Science, Philips Healthcare, Shanghai 200070, China
肺癌是我国患病率和病死率较高的肿瘤之一[1]。胸部CT平扫联合增强扫描是肺癌诊断和复查评估的重要影像学方法,患者往往需行多次、多期相CT扫描,辐射剂量问题不可忽视[2],如何在保证图像质量满足诊断要求的前提下尽可能降低辐射剂量越来越受到关注。基于双源双能量和单源瞬时管电压切换的能谱CT研究显示,胸部虚拟平扫(virtual non-contrast,VNC)图像可以较真实的显示病灶的影像学特征,一定程度上可以替代常规平扫(true non-contrast,TNC)从而大幅降低辐射剂量[3-4]。但由于不同CT设备能谱成像的原理和方式不同,基于双层探测器光谱CT(简称光谱CT)肺部VNC的应用价值有待进一步研究。与此同时,基于深度学习的肺部人工智能(artificial intelligence,AI)辅助诊断技术已普遍应用于临床,然而肺结节AI诊断的检测效能受辐射剂量、重建算法、图像噪声、分辨率等成像参数的影响[5-6],使用光谱CT肺部VNC图像进行AI诊断的准确性尚未得到充分证实。本研究尝试使用肺结节AI诊断软件对光谱CT肺部TNC图像和VNC图像进行分析,探讨使用肺部VNC图像进行AI诊断,从而替代TNC的可行性。
资料与方法1. 一般资料:回顾性收集2022年5-11月间在南京大学医学院附属鼓楼医院接受胸部CT平扫联合双期增强扫描的患者52例,其中男28例,女24例;年龄38~78岁,平均(57.5±10.8)岁。病例纳入标准:临床诊断为肺部结节或其他肿瘤性疾病,需行胸部CT平扫联合双期增强扫描的患者。排除标准:有碘对比剂使用禁忌证的患者;有严重呼吸伪影,图像质量较差影响诊断的患者。所有患者均签署CT增强检查知情同意书。
2. 检查方法:使用荷兰Philips IQon光谱CT,行胸部平扫和动、静脉期增强共3期扫描。检查前进行呼吸训练,于吸气末屏气扫描。3期扫描的参数均一致:管电压120 kV,自动管电流调节,剂量指数18,平均管电流82 mAs,范围30~250 mAs,螺距1.05,旋转时间0.5 s/圈。动脉期扫描延迟时间35 s,静脉期延迟70 s,对比剂为碘佛醇(320 mg I/ml),剂量为1.5 ml/kg ×体重,注射流率3.0 ml/s。TNC图像使用iDose4 迭代算法4级进行重建,肺窗图像层厚1 mm,层间隔1 mm,重建矩阵512 × 512。选择静脉期扫描数据,使用光谱迭代算法Spectral 4级重建肺部VNC图像,其余图像参数均一致。
3. 图像质量主观评价:由2名具有5年以上放射诊断经验的医师采用盲法对肺窗图像质量进行独立评价,评分不一致时则由第3名高年资医师确定最终评分结果。评价内容:观察主气管、中心肺血管和支气管、周围肺血管和支气管(距离脏层胸膜2 cm以内肺实质的血管支气管)、肺裂等结构显示的清晰度,图像的伪影、主观噪声等。评价采用5分法[7]:5分,组织结构边缘清晰,对比度良好,无明显颗粒感和伪影;4分,边缘稍模糊,对比度良好,有少许颗粒感,无伪影;3分,边缘稍模糊,对比度良好,有少许颗粒感,轻微伪影;2分,边缘模糊,对比度稍差,有明显颗粒感或中度伪影;1分,边缘模糊,对比度较差,正常结构连续性中断。
4. 图像质量客观评价:选择右肺动脉层面,于左上肺肺实质区(无明显肉眼可见的血管和支气管)放置大小为50 ~ 60 mm2的感兴趣区(ROI),测量CT值及其标准差(standard deviation,SD),SD值作为图像噪声值,计算图像信噪比(signal to noise ratio,SNR),SNR=CT值/SD值。
5. 肺结节AI诊断分析:使用肺结节AI诊断软件(推想医疗科技股份有限公司)分别对肺部TNC和VNC图像进行分析,记录结节的位置、密度类型和最大径。由上述2名医师在AI诊断的基础上,依据肺结节数据标注专家共识[8]对TNC图像进行肺结节标注,记录肺结节的位置、密度类型和最大径,以2人的一致性意见作为该患者肺结节诊断结果的“金标准”,对2组图像AI诊断结果的敏感性、假阳性检出率(false positive detection rate,FPDR)进行评价,其中FPDR=假阳性结节数/结节检出数。
6. 辐射剂量:记录CT平扫和增强扫描的剂量长度乘积(dose length product,DLP),并计算有效剂量(E),E=k×DLP,其中k为转换因子0.014 mSv/(mGy·cm)。TNC的辐射剂量为平扫与2期增强扫描辐射剂量之和,VNC的辐射剂量为2期增强扫描辐射剂量之和。
7. 统计学处理:使用SPSS 22.0软件进行统计学分析。采用Shapiro-Wilk检验计量资料的正态性,以x±s表示符合正态分布的数据,分类变量以百分比(%)表示,以敏感性和FPDR评价AI系统对2组CT图像肺结节的检出能力,图像质量主观评分以中位数(上、下四分位数)[M(Q1,Q3)]表示。采用Kappa分析比较两名医师主观评分的一致性,并采用Wilcoxon非参数检验比较主观评分结果。采用配对t检验比较图像质量客观指标和辐射剂量。根据肺结节诊治中国专家共识(2018年版)[9],综合肺结节的位置、密度类型和最大径等因素进行分类比较。采用Wilcoxon符号秩检验比较TNC图像与VNC图像AI诊断结果的敏感性和FPDR。P < 0.05为差异具有统计学意义。
结果1. 肺部图像质量和辐射剂量比较:2名医师对TNC和VNC图像质量的评分一致性较好(Kappa值分别为0.687、0.695)。2组图像肺实质的CT值及图像质量主观评分差异均无统计学意义(P >0.05),所有图像均≥4分,满足诊断要求。与TNC图像相比,VNC图像噪声降低了13.8%,SNR升高14.9%,DLP和E均降低了33.3%,差异均具有统计学意义(t=5.82、-5.35、22.93、22.92,P < 0.05,表 1)。
![]() |
表 1 2组图像质量和辐射剂量 Table 1 Comparison of image quality and radiation doses between 2 groups |
2. 肺结节AI诊断结果比较:两组图像肺结节的AI诊断结果见表 2。对于不同类型的肺结节以及全部肺结节总体而言,2组图像AI诊断的敏感性差异均无统计学意义(P >0.05)。对于直径≤4 mm实性结节(图 1)和全部肺结节总体而言,VNC组的FPDR略有升高,差异具有统计学意义(Z=-2.03、-3.09,P < 0.05),而对于其他类型的肺结节而言,FPDR虽略有升高,但差异均无统计学意义(P >0.05,表 3)。
![]() |
表 2 2组图像肺结节AI诊断结果 Table 2 The AI diagnosis of pulmonary nodules in 2 groups |
![]() |
注:箭头所示病灶,金标准诊断为炎性渗出,非结节;TNC图像上,AI未诊断为结节;VNC图像上AI诊断为磨玻璃结节(白框所示),为假阳性;TNC. 常规平扫;VNC. 虚拟平扫 图 1 1例患者的TNC和VNC图像 A.TNC图像;B.VNC图像 Figure 1 TNC and VNC image in a patient A. True non-contrast image; B.Virtual non-contrast image |
![]() |
表 3 2组图像AI诊断结果的敏感性和FPDR比较(%) Table 3 Comparison of sensitivity and FPDR of AI diagnosis between 2 groups(%) |
讨论
能谱CT作为一种功能成像技术,可以进行多参数成像,提供多种定量分析方法,广泛应用于疾病的诊断和疗效评估[10-11]。目前能谱CT成像主要有双层光谱探测器、双源双能量和单源高低能量瞬时切换3种方式,各有优缺点。光谱CT进行能谱扫描时,从球管发出的混合能量X射线穿过人体到达双层光谱探测器,高能X射线被下层探测器吸收,低能X射线被上层探测器吸收,实现高低能量X射线的分离,进而实现能谱成像。其技术优势在于扫描前无需预判是否需要使用能谱模式扫描,无器官和扫描视野的限制,且高、低能量两套数据集在空间和时间上精准匹配,有助于降低能谱图像噪声,并可进行回顾性分析使用[12]。
光谱CT在获得常规CT图像的同时,还可获得VNC图像。VNC技术利用高低能量信息实现投影空间或图像空间的碘物质识别,从增强图像中去除碘物质对CT值的影响,生成类似于TNC的图像,从而代替平扫以减少患者的辐射剂量。陈文萍等[13]研究发现光谱CT的VNC技术可以使冠状动脉CTA辐射剂量减少10.6%,扫描时间缩短约56 s。王会霞等[14]使用基于单源瞬时管电压切换的能谱CT进行胸部VNC研究,发现静脉期VNC图像质量与TNC更为接近。杨琰昭等[15]基于双层探测器光谱CT的研究表明,腹部实质性组织器官的动、静脉期的VNC图像在5 HU范围与TNC有良好的一致性;上述研究从CT值一致性的角度表明VNC可基本替代TNC扫描,并可降低患者辐射剂量。因此本研究选择静脉期扫描数据重建VNC图像,并对图像质量和AI诊断效能进行评估,发现两种图像肺实质的CT值差异无统计学意义,VNC图像的噪声稍低于TNC,SNR稍高于TNC,但图像质量的主观评分差异无统计学意义。说明VNC图像的噪声虽有所下降,但不足以对图像质量主观评分产生显著影响。同时,发现与TNC相比,VNC降低了33.3%的辐射剂量,与上述研究结果具有较高的一致性。
本研究采用基于深度学习的肺部AI诊断软件定量分析结节,在肺结节定位、分割和分类上具有一定优势,随着算法的不断优化,其诊断敏感性也不断提高,假阳性也得到控制[16]。影响AI诊断效能的因素很多,本研究VNC和TNC肺窗图像使用的迭代重建算法不同,是2组图像噪声出现差异的主要原因,进而影响AI诊断结果[17]。2组图像肺结节AI分析发现,无论是分类,还是对肺结节总体进行分析,AI诊断敏感性均无统计学差异。只有对于直径≤4 mm实性结节和全部肺结节总体,VNC组FPDR略高于TNC组,差异具有统计学意义,而对于其他类型的肺结节,FPDR差异则无统计学意义。认为这因为VNC图像的噪声较低,图像的空间分辨率下降,导致直径较小的肺结节FPDR有所升高。对于钙化结节和胸膜结节这两类结节而言,诊断的敏感性较高,FPDR较低,但因结节样本量较小(金标准分别为24和15个),可能存在一定的统计误差。总体来看,VNC图像肺结节AI诊断的敏感性保持在较高水平,部分类型结节的FPDR较TNC虽有所升高,但在可接受的范围内,显示了良好的诊断效能。本研究中,由于肺结节诊断的真阴性无法量化,因此没有使用假阳性率和特异性指标,而是使用敏感性和FPDR作为评价AI诊断准确性的指标[18]。
本研究也存在一定的局限性:①本研究TNC使用迭代重建算法iDose4 4级,VNC使用光谱迭代算法Spectral 4级进行图像重建和分析,对于其他迭代重建等级下的图像质量和AI诊断效能,有待于进一步研究。②本研究在他人对肺部VNC研究的基础上进行,仅对静脉期VNC肺窗图像质量和AI诊断效能进行研究,对于动、静脉期VNC的纵隔窗和肺窗图像质量的全面评估,有待于进一步研究。③由于本研究亚实性结节样本量较少,未对亚实性结节分类进行研究。对于混合磨玻璃结节和纯磨玻璃结节的AI诊断效能,有待于进一步研究。
综上所述,与TNC相比,静脉期VNC图像可在保证图像质量和肺结节AI诊断敏感性不变,且FPDR没有显著升高的前提下,大幅降低患者辐射剂量,因此可以替代TNC进行常规应用。
利益冲突 本研究由署名作者按以下贡献声明独立开展,排名无争议,文章不涉及任何利益
作者贡献声明 徐亚运、吕品负责方案制定、实施研究、数据采集、整理、统计分析与论文撰写修改;胡政杨负责实施研究、数据采集与数据复核; 杨雯、杨尚文、陈杏彪负责实施研究、数据采集与论文指导;辛小燕负责方案制定及论文指导
[1] |
Cao W, Chen HD, Yu YW, et al. Changing profiles of cancer burden worldwide and in China: a secondary analysis of the global cancer statistics 2020[J]. Chin Med J (Engl), 2021, 134(7): 783-791. DOI:10.1097/CM9.0000000000001474 |
[2] |
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 |
[3] |
Lennartz S, Parakh A, Cao J, et al. Longitudinal reproducibility of attenuation measurements on virtual unenhanced images: multivendor dual-energy CT evaluation[J]. Eur Radiol, 2021, 31(12): 9240-9249. DOI:10.1007/s00330-021-08083-6 |
[4] |
Walter SS, Schneeweiß S, Maurer M, et al. Virtual non-enhanced dual-energy CT reconstruction may replace true non-enhanced CT scans in the setting of suspected active hemorrhage[J]. Eur J Radiol, 2018, 109: 218-222. DOI:10.1016/j.ejrad.2018.10.026 |
[5] |
金晨望, 郭佑民. 人工智能辅助诊断技术在低剂量CT肺结节筛查中的应用及质控[J]. 中华放射学杂志, 2019, 53(1): 6-8. Jin CW, Guo YM. Clinical application and quality control of artificial intelligent assisted diagnosis technology in lung nodules screening by low-dose CT[J]. Chin J Radiol, 2019, 53(1): 6-8. DOI:10.3760/cma.j.issn.1005-1201.2019.01.003 |
[6] |
Sim Y, Chung MJ, Kotter E, et al. Deep convolutional neural network-based software improves radiologist detection of malignant lung nodules on chest radiographs[J]. Radiology, 2020, 294(1): 199-209. DOI:10.1148/radiol.2019182465 |
[7] |
杨尚文, 朱小倩, 辛小燕, 等. 三维人工智能定位技术在CT胸部扫描中的应用[J]. 中华放射学杂志, 2022, 56(1): 50-54. Yang SW, Zhu XQ, Xin XY, et al. Application of three dimensional artificial intelligence localization technology in CT chest scanning[J]. Chin J Radiol, 2022, 56(1): 50-54. DOI:10.3760/cma.j.cn112149-20210301-00168 |
[8] |
中国食品药品检定研究院, 中华医学会放射学分会心胸学组. 胸部CT肺结节数据标注与质量控制专家共识(2018)[J]. 中华放射学杂志, 2019, 53(1): 9-15. National Institutes for Food and Drug Control, Cardio-thoracic Working Group, Chinese Society of Radiology, Chinese Medical Association. Expert consensus on the rule and quality control of pulmonary nodule annotation based on thoracic CT(2018)[J]. Chin J Radiol, 2019, 53(1): 9-15. DOI:10.3760/cma.j.issn.1005-1201.2019.01.004 |
[9] |
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. Lung Cancer Group of Respiratory Diseases Branch of Chinese Medical Association, Expert Group of China Lung Cancer PreVention and Treatment Alliance. Chinese expert consensus on diagnosis and treatment of lung nodules(2018)[J]. Chin J Tuberc Respir Dis, 2018, 41(10): 763-771. DOI:10.3760/cma.j.issn.1001-0939.2018.10.004 |
[10] |
Zhang PP, Choi HH, Ohliger MA. Detection of fatty liver using virtual non-contrast dual-energy CT[J]. Abdom Radiol (NY), 2022, 47(6): 2046-2056. DOI:10.1007/s00261-022-03482-9 |
[11] |
Ding Y, Richter A, Stiller W, et al. Association between true non-contrast and virtual non-contrast vertebral bone CT attenuation values determined using dual-layer spectral detector CT[J]. Eur J Radiol, 2019, 121: 108740. DOI:10.1016/j.ejrad.2019.108740 |
[12] |
中华放射学杂志双层探测器光谱CT临床应用协作组. 双层探测器光谱CT临床应用中国专家共识(第一版)[J]. 中华放射学杂志, 2020, 54(7): 635-643. Chinese Journal of Radiology Cooperative Group of Clinical Application of Dual-layer Spectral Detector CT. China expert consensus on clinical application of dual-layer spectral detector CT[J]. Chin J Radiol, 2020, 54(7): 635-643. DOI:10.3760/cma.j.cn112149-20200513-00679 |
[13] |
陈文萍, 尹克杰, 李茗, 等. 利用虚拟平扫降低冠状动脉CT血管造影辐射剂量的可行性研究[J]. 中华放射医学与防护杂志, 2022, 42(1): 61-66. Chen WP, Yin KJ, Li M, et al. Feasibility study of reducing the radiation dose on v-irtual non-contrast scanning in dual-layer spectral coronary CT angiography[J]. Chin J Radiol Med Prot, 2022, 42(1): 61-66. DOI:10.3760/cma.j.cnl12271-20210819-00336 |
[14] |
王会霞, 岳松伟, 吕培杰, 等. 对比分析两种胸部能谱CT虚拟平扫图像与常规平扫图像[J]. 中国医学影像技术, 2019, 35(9): 1409-1413. Wng HX, Yue SW, Lv PJ, et al. Comparative analysis of two kinds of virtual unenhanced technique of spectral CT and routine plain CT in thorax[J]. Chin J Med Imaging Technol, 2019, 35(9): 1409-1413. DOI:10.13929/j.1003-3289.201812006 |
[15] |
杨琰昭, 严福华, 韩群, 等. 双层光谱探测器CT腹部虚拟平扫代替常规平扫的可行性研究[J]. 中华放射学杂志, 2019, 53(1): 33-39. Yang YZ, Yan FH, Han Q, et al. Feasibility study on dual-layer spectral detector CT derived virtual non-contrast images substitute for true non-contrast images[J]. Chin J Radiol, 2019, 53(1): 33-39. DOI:10.3760/cma.j.issn.1005-1201.2019.01.008 |
[16] |
明佳蕾, 方向明. 基于人工智能的CT肺结节检出临床应用及研究进展[J]. 中华放射学杂志, 2019, 53(6): 522-525. Ming JL, Fang XM. Clinical research and application of pulmonary nodules detection by CT with artificial intelligence[J]. Chin J Radiol, 2019, 53(6): 522-525. DOI:10.3760/cma.j.issn.1005-1201.2019.06.017 |
[17] |
Jin H, Li Z, Tong R, et al. A deep 3D residual CNN for false-positive reduction in pulmonary nodule detection[J]. Med Phys, 2018, 45(5): 2097-2107. DOI:10.1002/mp.12846 |
[18] |
Liu K, Li Q, Ma J, et al. Evaluating a fully automated pulmonary nodule detection approach and its impact on radiologist performance[J]. Radiol Artif Intell, 2019, 1(3): e180084. DOI:10.1148/ryai.2019180084 |