增强CT和平扫CT在临床应用中相辅相成，平扫CT可以特异性显示钙化、结石和病灶内出血等信息^[1]，还可以作为参考图像配合增强图像来评估病变强化程度。对于那些在治疗和随访过程中需要频繁使用CT扫描来评估疗效的肿瘤患者，如何减少辐射剂量是临床亟需解决的问题。卷积神经网络是应用最广泛的深度学习模型，它利用包含大量神经元的多层神经网络自动提取图像特征，模仿人脑学习方法来提供解决问题的能力，已广泛应用于医学影像学领域^[2-5]。前期，中国医学科学院肿瘤医院深圳医院放射诊断科与中科院先进技术研究院团队开发的一种基于邻接内容转移的残差网络深度学习模型^[6]，实现了从增强CT到合成平扫CT(synthesized non-contrast-enhanced CT images by deep learning，DL-SNCT)的模态转换，从工程角度评估生成图像，在多方面获得了出色的表现。如果这一技术能应用于临床，那么癌症患者只需行增强CT扫描，从而大大减少患者辐射剂量。当前，利用深度学习合成DL-SNCT图像质量的临床研究仍然较少。本研究旨在评估应用该模型生成DL-SNCT图像的质量，探讨其临床应用的可行性。

1. 病例资料：回顾性分析2019年6月至2021年3月在中国医学科学院肿瘤医院深圳医院行螺旋CT检查具有肝脏病变的34名患者影像资料。其中，男15例，女19例，年龄30~76岁，平均(55.9±12.6)岁；良性肿瘤病史1例，恶性肿瘤病史33例。肝脏病变包括肝癌4例、肝转移瘤10例，肝血管瘤10例，肝囊肿10例，均经病理或影像表现、随访资料证实。纳入标准：具有肝脏病变，病灶≥1 cm，数目≥1个；具有平扫CT和增强CT检查图像，扫描范围从胸廓入口至盆腔，同时具有标准算法的平扫重建、增强重建图像，重建层厚为1.25 mm。排除标准：具有明显运动伪影。本研究为回顾性研究，经医院伦理委员会审批同意，患者数据进行脱敏处理。

2. 检查方法：采用美国GE公司的Revolution螺旋CT进行扫描，患者取仰卧位，扫描范围包括胸部、腹部和盆腔。扫描参数为：管电压120 kV，管电流150~600 mA，矩阵512×512，视野40~50 cm，容积扫描层厚5 mm，层间隔5 mm，螺距0.984，噪声指数7.0。平扫完成后，采用高压注射器经肘正中静脉团注碘佛醇，剂量为1.5 ml/kg，注射流率2.0~3.0 ml/s，50 s后采集增强图像。扫描后使用标准算法对原始数据进行重建，重建层厚1.25 mm，迭代重建算法50%。

3. 图像分析：将增强CT重建图像经深度学习模型^[6]转换成DL-SNCT图像(层厚1.25 mm)，得到配对的平扫CT重建图像和DL-SNCT图像。

主观图像质量评价：由2位经验丰富的CT诊断医师(均具有10年以上工作经验)共同对DL-SNCT图像进行主观评估，意见不一致时，经协商达成一致。参考国内外文献^[7-10]，制定主观评分指标和评分标准，均采用4分法，评价指标包括：①解剖结构清晰度：1分，解剖结构模糊，无法诊断；2分，解剖细节不清，不能满足诊断要求；3分，部分解剖结构显示欠佳，基本满足诊断要求；4分，解剖结构显示清晰，完全满足诊断要求。②伪影：1分，伪影多，影响诊断；2分，伪影较多，对评价周围组织结构有一定干扰；3分，伪影较少；4分，无伪影。③噪声：1分，噪声严重，完全无法接受；2分，噪声较重，但尚可接受；3分，中等噪声；4分，噪声轻微或无明显噪声。④图像结构完整性：1分，图像结构缺失的图层占图层总数80%；2分，图像结构缺失的图层占图层总数50%；3分，图像结构缺失的图层占图层总数20%；4分，无图像结构缺失。⑤图像变形：1分，图像严重变形，不能用于诊断；2分，图像中度变形，影响诊断；3分，图像轻度变形，不影响诊断；4分，无图像变形。假定作为金标准的平扫CT图像在各评分指标中均得最高分，即解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形方面的评分各为4分。

客观图像质量分析：以臀大肌标准差(standard deviation, SD)作为噪声。信噪比(signal to noise ratio, SNR)计算公式：SNR=CT_臀大肌/噪声。

DL-SNCT与金标准平扫CT图像CT值：由1名有10年以上工作经验的医师用后处理软件在配对的DL-SNCT图像和平扫CT图像上测量感兴趣区(region of interest，ROI)的CT值，分别测量3次，取其平均值。感兴趣区包括正常解剖部位和肝脏病变两部分：①正常解剖部位：支气管隆突水平胸主动脉、门静脉主干水平肝实质、左肾静脉水平肾实质、左髋臼上缘水平臀大肌。②肝脏病变：肝癌、肝转移瘤、肝血管瘤、肝囊肿。为了评估模型在多种临床场景的效果，本研究选择肝脏病变来评估，因其强化方式多样，强化幅度差异大，能最大程度代表人体大多数病变的强化特点。在配对的DL-SNCT图像和平扫CT图像上对肝脏病变进行逐层测量，因此，肝癌、肝转移瘤、肝血管瘤、肝囊肿ROI的数目分别为114、102、130、102个。

评价DL-SNCT对高CT值病灶/植入物的保留情况：以平扫CT为金标准，评价SNCT对结石(包括肾脏、肝内胆管、胆囊)、主动脉及冠状动脉钙化灶、植入物(包括静脉置管、手术缝线等)、肾脏复杂囊肿、骨岛、成骨性骨转移瘤的检出率。

4. 统计学处理：采用SPSS 22.0软件对数据进行分析。符合正态分布的计量资料采用x±s表示。主观图像质量评估采用秩和检验，图像CT值分析和客观图像质量分析采用配对t检验。P＜0.05为差异有统计学意义。

1. 主观图像质量的比较：DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面的评分各为4分，与平扫CT图像评分相一致，差异无统计学意义(P＞0.05)；在解剖结构清晰度方面评分低于平扫CT图像(3.59±0.70)分vs. 4分，差异有统计学意义(Z=-2.89，P= 0.004)，见表 1。

表 1(Table 1)

表 1 DL-SNCT与平扫CT图像质量主观评分结果 Table 1 Subjective assessment for image quality of DL-SNCT and plain CT 扫描方式 解剖结构清晰度 伪影 噪声 图像结构完整性 图像变形 1分 2分 3分 4分 1分 2分 3分 4分 1分 2分 3分 4分 1分 2分 3分 4分 1分 2分 3分 4分 DL-SNCT 0 4 6 24 0 0 0 34 0 0 0 34 0 0 0 34 0 0 0 34 平扫CT 0 0 0 34 0 0 0 34 0 0 0 34 0 0 0 34 0 0 0 34 Z值 -2.89 0 0 0 0 P值 0.004 1.000 1.000 1.000 1.000 注：DL-SNCT. 合成平扫CT

表 1 DL-SNCT与平扫CT图像质量主观评分结果 Table 1 Subjective assessment for image quality of DL-SNCT and plain CT

2. DL-SNCT与平扫CT图像客观图像质量比较：DL-SNCT与平扫CT的图像噪声分别为15.14±4.25、14.95±3.84，差异无统计学意义(P＞0.05)。两组图像的信噪比分别为3.53±1.11、3.65±1.05，差异无统计学意义(P＞0.05)。

3. DL-SNCT与平扫CT图像CT值的比较：DL-SNCT图像肾脏(图 1)、主动脉(图 2)的平均CT值均高于平扫CT图像(t=-9.58、-12.89，P＜0.001)；而臀大肌、肝实质CT值在两组图像上差异无统计学意义(P＞0.05)。DL-SNCT图像肝癌(图 3)、肝转移瘤(图 4)、肝血管瘤的平均CT值高于平扫CT图像(t=-10.84、-3.98、-3.42，P＜0.05)；而肝囊肿CT值在两组图像上差异无统计学意义(P＞0.05)，见表 2。

A.增强CT；B.平扫CT；C.DL-SNCT 图 1 女，40岁，右侧扁桃体滤泡性淋巴瘤患者, DL-SNCT图像肾实质CT值约76.3 HU，平扫CT图像肾实质CT值约34.2 HU A.Contrast-enhanced CT; B. Plain CT; C. DL-SNCT Figure 1 A 40-year-old female patient with follicular lymphoma of the right tonsil, the CT values of renal parenchyma are about 76.3 HU in DL-SNCT image and 34.2 HU in plain CT image

A.增强CT；B.平扫CT；C.DL-SNCT 图 2 男，66岁，乙状结肠癌患者, DL-SNCT图像主动脉CT值约57.1 HU，平扫CT图像主动脉CT值约49.2 HU A.Contrast-enhanced CT; B. Plain CT; C. DL-SNCT Figure 2 A 66-year-old male patient with sigmoid colon cancer, the CT values of aorta are about 57.1 HU in DL-SNCT image and about 49.2 HU in plain CT image

A.增强CT；B.平扫CT；C.DL-SNCT 图 3 男，69岁，肝癌患者，DL-SNCT图像肝癌CT值约66.7 HU，平扫CT图像肝癌CT值约57.1 HU A.Contrast-enhanced CT; B. Plain CT; C. DL-SNCT Figure 3 A 69-year-old male patient with liver cancer, the CT values of liver cancer are about 66.7 HU in DL-SNCT image and about 57.1 HU in plain CT image

A.增强CT；B.平扫CT；C.DL-SNCT 图 4 女，53岁，左乳癌患者，DL-SNCT图像肝转移瘤CT值约48.7 HU，平扫CT图像肝转移瘤CT值约40.8 HU A.Contrast-enhanced CT; B. Plain CT; C. DL-SNCT Figure 4 A 53-year-old female patient with left breast cancer, the CT values of liver metastasis are about 48.7 HU in DL-SNCT image and about 40.8 HU in plain CT image

表 2(Table 2)

表 2 DL-SNCT与平扫CT图像质量的客观评估结果(Hu, x±s) Table 2 Objective assessment for image quality of DL-SNCT and plain CT (Hu, x±s) 扫描方式 解剖部位 肝脏病变 主动脉 肾脏 肝实质 臀大肌 肝癌 肝血管瘤 肝转移瘤 肝囊肿 平扫CT 42.79±6.86 37.77±4.11 61.16±6.01 51.29±7.35 47.13±8.70 43.82±4.50 37.60±7.24 6.46±5.66 DL-SNCT 59.63±3.15 53.63±8.88 60.12±6.59 49.41±7.97 51.65±9.12 47.69±13.23 41.06±12.59 4.92±6.84 t值 -12.89 -9.58 0.97 1.37 -10.84 -3.42 -3.98 1.74 P值 0.001 0.001 0.338 0.180 0.001 0.001 0.001 0.086 注：DL-SNCT. 合成平扫CT

表 2 DL-SNCT与平扫CT图像质量的客观评估结果(Hu, x±s) Table 2 Objective assessment for image quality of DL-SNCT and plain CT (Hu, x±s)

4. DL-SNCT对高CT值病灶/植入物的显示情况：以平扫CT为标准，DL-SNCT图像对结石、主动脉及冠状动脉钙化灶、植入物、骨岛、成骨性骨转移瘤的检出率分别为8/8、19/19、16/16、29/29、7/7，而对肾脏复杂囊肿的检出率为0/2。

如何在保证图像质量、满足临床对疾病诊断、治疗评估的前提下尽可能降低辐射剂量，是当今医学影像学领域亟需解决的问题。目前常用的方法是通过调整管电压、管电流、扫描层厚、螺距、重建技术等来降低辐射剂量^[11-14]。随着计算机技术的不断提高，深度学习得到快速发展^[15-17]。而有关使用基于深度学习的卷积神经网络从增强CT图像生成DL-SNCT图像的研究尚少，主要应用于放疗定位和剂量计算方面，以达到降低辐射剂量的目的^[18-20]。临床上鲜有关于深度学习方法合成DL-SNCT图像质量的研究。

本研究中，DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面具有与平扫CT图像相媲美的优秀表现。既往研究显示深度学习方法合成的CT图像不可避免地存在图像变形、结构丢失和伪影等问题，从而降低了图像质量^[21-23]。本研究使用了一种深度残差网络和一种用于结构学习和非变换衰减的邻接内容转移方法，较好地解决了平扫CT扫描和增强CT扫描中的组织结构因细微的不自主生理运动(如呼吸、心跳和肠道蠕动)而产生无法逐个像素对齐的问题，使DL-SNCT图像保留了增强CT图像更多的细微结构，从而具有更佳的图像质量。深度学习已应用于CT图像去噪声方面并且得到良好效果^[23]，本模型合成的DL-SNCT图像没有额外增加图像噪声。解剖结构是影响图像质量的一个因素，在此项评分中DL-SNCT图像低于平扫CT图像，虽然差异有统计学意义，但其差异较小。分析图像发现，即使在胸部至盆腔这样大范围的评估里，失分严重的部位主要是肝脏、肾脏，究其原因可能如下：肝脏或肾脏不同增强期相具有不同的碘对比剂浓度，本模型的建立是基于门脉期CT增强图像，不能完美捕捉它们不同强化期相的强化规律，进而使碘对比剂抑制不完全；肝脏实质背景不同，如脂肪肝、肝硬化、肝铁沉积等，容易造成肝脏密度均匀性不佳，从而影响解剖细节显示。

本研究中，DL-SNCT图像不能真实反映不同解剖部位和不同肝脏病变的真实CT值。对不同解剖结构而言，肝实质CT值在两组图像上无明显差异，与Gao等^[21]的研究结果相同，但主动脉CT值在两组图像上差异有统计学意义。造成不同解剖部位在两组图像CT值表现各异的原因可能是：人体是一个复杂的生物体，不同的解剖部位具有不同的血流动力学，如肾实质、主动脉具有强化幅度与强化期相高度相关性，从而使得增强CT图像某些区域像素值过高或强化幅度非线性，导致本模型无法准确识别该区域的强化变化率，从而导致它们在两组图像中CT值差异较大；而肝实质、臀大肌在两组图像中CT值的差异极微小，可能是获取的图像大约在肝脏的门脉期，在这个期相里，它们强化程度相对均匀，使得本模型比较容易捕捉其规律，进而图像转换效果更佳。对不同肝脏病变而言，肝癌、肝转移瘤、肝血管瘤CT值在两组图像上差异有统计学意义，而肝囊肿CT值差异无统计学意义，推测其原因是这4种肝脏病变具有不同的强化方式，肝癌、肝转移瘤、肝血管瘤、肝囊肿典型的强化方式分别是“快进快出”强化、环形强化、渐进性强化、不强化，从而可能使得本模型不能掌握其强化规律，导致碘对比剂抑制不全，此外亦可能与模型未能对不同肝脏病变正确分类有关。

增强CT图像通过本模型转换成DL-SNCT图像，本质是通过学习增强CT图像与平扫CT图像基于像素的映射关系来将物质强化的CT值转换成相对应的非强化的CT值。考虑到模型会把高CT值物质或植入物误认为是碘从而降低其CT值，影响本身高CT值物质或植入物在平扫CT图像上的检出。因此，以平扫CT作为金标准，额外评估DL-SNCT对高CT值病灶或植入物的检出情况。本研究发现，DL-SNCT相较于金标准平扫CT，除了肾脏微小复杂囊肿外，其对结石、主动脉及冠状动脉钙化灶、手术后缝线、骨岛、成骨性骨转移瘤的检出率为100%。这说明模型很好的学习到高CT值物质和碘对比剂的特征。但是，DL-SNCT图像可能存在对肾脏复杂囊肿不敏感的问题，本组对其检出率为0%，推测其原因可能是：病灶过小，直径＜1 cm；复杂囊肿CT值大约在20~50 HU之间，跟抑制不全的肾实质CT值可能存在重叠，从而未能在背景中被辨别出来。

本研究存在以下局限性：样本量比较少，后续将加大样本量；DL-SNCT图像是由增强CT图像转换而来的，与平扫CT图像并不完全匹配，这可能造成ROI的大小及位置并不完全相同，对此采取的办法是测量ROI 3次取其平均值，以尽量减少统计误差。

总之，利用深度学习从增强CT图像转换成DL-SNCT图像，在多个图像质量评估指标与平扫CT图像无统计学差异。然而，在图像解剖结构清晰度和肾脏微小复杂囊肿的检测方面尚有不足，且其CT值与真实值尚存在差异，因此，在临床转化前仍有待改进。

利益冲突  所有作者均声明不存在利益冲突

作者贡献声明  刘礼健数据整理、论文撰写；刘周设计实验；钟贻洪、康文焱进行数据整理和统计学分析；李天然负责采集数据；罗德红进行研究指导和论文修改