深度学习重建算法在腹部CT成像中应用的体模研究

引用本文

张玉荣, 苑倩倩, 高剑波, 刘杰. 深度学习重建算法在腹部CT成像中应用的体模研究[J]. 中华放射医学与防护杂志, 2023, 43(8): 645-652, DOI: 10.3760/cma.j.cn112271-20221226-00498.

张玉荣 , 苑倩倩 , 高剑波 , 刘杰

郑州大学第一附属医院放射科, 郑州 450052

收稿日期: 2022-12-26

基金项目: 河南省卫生健康委员会科技攻关项目（212102310142）

通信作者: 刘杰, Email: liujieict@163.com

[摘要] 目的探讨不同辐射剂量下深度学习图像重建算法(DLIR)相对于常规迭代重建算法(ASIR-V)对腹部体模CT图像质量的改善价值。方法根据管电压设置100 kV组与120 kV组，每组按照容积剂量指数(CTDI_vol)不同(2、4、6、8、10、15 mGy)分为6组进行常规扫描，获得基于滤波反投影(FBP)算法的CT图像，并使用不同权重迭代重建算法(ASIR-V 50%、80%、100%)及不同等级深度学习重建算法(DLIR-L、DLIR-M、DLIR-H)进行图像重建，共获得84组图像。对比分析不同重建方式下各CTDI_vol组图像各部位CT值、噪声、信噪比(SNR)、对比噪声比(CNR)及主观评分的变化规律。图像质量主观评分比较采用Kruskal-Wallis H检验，客观指标和辐射剂量比较采用单因素方差分析及配对样本t检验。结果同一管电压下，各CTDI_vol组不同重建条件下各部位的噪声、SNR、CNR差异均有统计学意义(F =415.39、315.30，P＜0.001)，且ASIR-V 50%与DLIR-L图像的噪声、SNR、CNR差异无统计学意义(P＞0.05)；主观评分之间差异均有统计学意义(100 kV组：H=13.47，P=0.036；120 kV组：H=12.99，P=0.043)，且两名医师的主观评分一致性较高(Kappa＞0.70)，其中DLIR-H图像质量评分最高，DLIR-M与ASIR-V 50%图像质量主观评分基本一致；100 kV组图像质量主观评分整体较120 kV略高。以CTDI_vol为15 mGy组ASIR-V 50%图像作为参照，在满足诊断需求的前提下，低中高等级的DLIR可以分别降低辐射剂量超过30%、70%、85%。结论 DLIR算法不仅能够显著降低图像噪声、提高图像质量，而且可以在满足诊断需求的前提下有效降低辐射剂量；推荐临床应用100 kV结合中、高等级DLIR行腹部低剂量CT扫描。

[关键词] 辐射剂量体层摄影术, X射线计算机腹部体模

Application value of deep learning reconstruction algorithm in CT imaging of abdominal phantoms

Zhang Yurong , Yuan Qianqian , Gao Jianbo , Liu Jie

Department of Radiology, First Affiliated Hospital of Zhengzhou University, Zhenzhou 450052, China

Fund programs: Science and Technology Research Project of Health Commission of Henan Province (212102310142)

Corresponding author: Liu Jie, Email: liujieict@163.com

[Abstract] Objective To explore the value of the deep learning image reconstruction (DLIR) algorithm in improving the CT image quality of abdominal phantoms under different radiation doses by comparing the DLIR algorithm with the conventional Adaptive Statistical Iterative Reconstruction-V (ASIR-V) technique. Methods Two groups with tube voltages of 100 kV and 120 kV (also referred to as the 100 kV and 120 kV groups, respectively) were involved. Each group was further divided into six subgroups based on different volumetric CT dose indices (CTDI_vol: 2, 4, 6, 8, 10 and 15 mGy). Subsequently, CT images based on the filtered back projection (FBP) algorithm were obtained and were then reconstructed using the ASIR-V algorithm with different weights (ASIR-V 50%, 80%, and 100%) and the DLIR algorithm with different levels (DLIR-L, M, and -H). As a result, 84 groups of images were obtained in total. Afterward, this study compared and analyzed the variations in CT values, noise, signal-to-noise ratios (SNRs), contrast-to-noise ratios (CNRs), and subjective scores of various parts in various CTDI_vol subgroups under different reconstruction conditions. In addition, the subjective scores of the image quality were compared using the Kruskal-Wallis H test, while objective indices and radiation doses were compared through the univariate analysis of variance (ANOVA) and the paired t test. Results Under the same tube voltage, there were statistically significant differences in the noise, SNRs, and CNRs of various parts in various CTDI_vol subgroups under different reconstruction conditions (F = 415.39, 315.30, P < 0.001), while there was no statistically significant difference in the noise, SNRs, and CNRs of images constructed using ASIR-V 50% and DLIR-L (P > 0.05). Under different tube voltages, the subjective scores of both groups show statistically significant differences (100 kV group: H = 13.47, P = 0.036; 120 kV group: H = 12.99, P = 0.043). Moreover, two physicians offered consistent subjective scores, with Kappa values > 0.70. Among these images, DLIR-H images showed the highest subjective scores, followed by DLIR-M and ASIR-V 50% images, which had roughly consistent subjective scores. Moreover, the subjective scores of the 100 kV group were slightly higher than those of the 120 kV group. With the ASIR-V 50% images of the subgroup with a CTDI_vol of 15 mGy as references, the DLIR-L, -M, and -H reduced radiation doses by more than 30%, 70% and 85%, respectively on the premise that diagnostic requirements were met. Conclusions The DLIR algorithm can not only significantly reduce the image noise and improve the image quality, but also effectively decrease the radiation doses on the premise of meeting the diagnostic requirements. It is recommended that 100 kV tube voltage combined with a medium- or high-level DLIR algorithm should be applied to low-dose abdominal CT scans in clinical applications.

[Key words] Radiation dosage Tomography, X-Ray Computer Abdomen Phantom

CT是腹部常用的影像学检查方法，但因腹部CT扫描范围大、期相多，欲获得腹部优质图像质量往往需要较高的照射条件。研究表明，有效剂量超过10 mSv的成人腹部CT检查在一定程度上能够增加致癌风险^[1]，因此，保证图像质量的同时有效降低辐射剂量一直是腹部CT技术研究的热点。

临床常用的滤波反投影(FBP)重建算法易受噪声和伪影的干扰^[2]，多模型迭代重建(ASIR-V)算法的自限性在于高权重ASIR-V图像颗粒过于细腻，图像失真，呈现“腊状伪影”，影响诊断的可信度^[3-6]。近年来，深度学习图像重建(deep learning image reconstruction，DLIR)算法被证明可在不改变噪声纹理或影响解剖和病理结构的情况下抑制噪声，重建空间分辨率较高的CT图像^[7-10]，潜力巨大。本研究拟通过对比上述3种重建算法对腹部体模CT图像质量的影响，探讨DLIR在腹部CT扫描中的临床实用价值，并确定最佳DLIR重建策略。

资料与方法

1. 研究对象：选用腹部仿真体模(日本京都科学株式会社，PH-5，图 1)，材质为聚氨酯树脂(软组织部分)和环氧树脂(骨部分)。

图 1 腹部仿真体模 Figure 1 Artificial abdominal phantom

2. 扫描方案及重建方法：采用256排CT机(美国通用医疗，Revolution CT)，扫描模式Helical，螺距0.984∶1，X射线管转速为1 s /周，扫描视野为40 cm×40 cm，扫描层厚和层间距均为5 mm。根据管电压不同分为100 kV组与120 kV组，每组在保证管电压不变的情况下采用自动管电流模式(10 ~ 600 mA)进行腹部体模扫描，扫描范围自膈顶至双肾下极。根据辐射剂量，即容积剂量指数(CTDI_vol)不同(2、4、6、8、10、15 mGy)分为6组，每组进行常规扫描，获得FBP图像，然后，使用不同权重迭代重建算法(ASIR-V 50%、80%、100%)及不同等级深度学习重建算法(DLIR-L、DLIR-M、DLIR-H)分别进行图像重建，重建层厚及层间距均为0.625 mm，滤波函数选择标准类型，共84组图像。扫描技术参数及辐射剂量如表 1所示。

表 1 不同CTDI_vol组腹部体模CT扫描技术参数及辐射剂量 Table 1 Technical parameters and radiation doses for CT scans of the abdominal phantom for various CTDI_vol subgroups

3. 图像评估

(1) 主观评价：将所有图像传输至AW4.7后处理工作站，由两名具有5年以上工作经验的放射科医生遵循独立、盲法原则对所有图像质量进行主观评分。评分标准采用5分制法：5分(优秀)：图像解剖细节清晰，边缘锐利，无明显噪声；4分(良好)：图像解剖细节较清晰，边缘较锐利，噪声稍增加；3分(中等)：图像解剖结构显示尚可满足诊断，边缘模糊但可接受；2分(较差)：解剖结构细节模糊，辨识困难，噪声明显；1分(极差)：图像无法诊断，噪声极明显。3分及以上符合临床诊断需求。

(2) 客观评价：将所有图像传输至AW4.7后处理工作站，由1名放射科医生对所有图像进行测量及分析。将感兴趣区(region of interest，ROI)分别置于肝脏、胰腺、肾脏、背部肌肉组织，记录其平均CT值及其标准差(standard deviation，SD)，并以SD值作为图像噪声值。在测量过程中各组图像ROI形状、大小、位置及层面保持一致，避开大血管及伪影严重区域。所有数据均测量3次取均值，特别地，胰腺测量时取胰头、胰体和胰尾的平均值。计算肝脏、胰腺、肾脏的信噪比(SNR)，SNR_ROI= CT_ROI/SD_肌肉和对比噪声比(CNR)，CNR_ROI=(CT_ROI-CT_肌肉)/SD_肌肉，式中，CT_肌肉代表背部肌肉的CT值，SD_肌肉代表背部肌肉的噪声。

4. 统计学处理：采用SPSS 22.0软件进行分析。所有重建图像所得量化结果符合正态分布，并以x±s表示。各组CT值、噪声、SNR、CNR及辐射剂量比较采用单因素方差分析及配对样本t检验，组内两两比较采用LSD法；图像质量主观评分比较采用Kruskal-Wallis H检验，P＜0.05为差异有统计学意义。观察者间的一致性比较采用Kappa检验(0≤Kappa＜0.20一致性极低、0.21≤Kappa＜0.40一致性一般、0.41≤Kappa＜0.60一致性中等、0.61≤Kappa＜0.80一致性较高，0.81≤Kappa≤1.00一致性很高)。

结果

1. 主观评估：同一管电压下，各CTDI_vol组不同重建条件下图像质量主观评分差异均有统计学意义，且两名医师的主观评分一致性较高(100 kV组：Kappa=0.71，H=13.47，P=0.036；120 kV组：Kappa=0.78，H=12.99，P=0.043)，取二者均值，见表 2，3。相同辐射剂量下，FBP图像质量评分最低，DLIR-H图像质量评分最高。当CTDI_vol≤ 8 mGy时，相同辐射剂量下，随着ASIR-V重建权重的提高，图像质量主观评分逐步降低，随着DLIR重建等级的提高，图像质量主观评分逐步升高；当CTDI_vol≥10 mGy时，ASIR-V 50%图像与DLIR图像质量主观评分趋于稳定，均为5分。CTDI_vol为2 mGy组，除DLIR-H图像外，其余图像质量主观评分均低于3分；CTDI_vol为4 mGy组，FBP图像、ASIR-V 100%图像及120 kV组ASIR-V 80%图像质量主观评分低于3分，无法满足诊断需求(图 2，3)。

表 2 100 kV组各CTDI_vol组不同重建条件下图像的主观评分均值 Table 2 Subjective scores of various CTDI_vol subgroups of the 100 kV group under different reconstruction conditions

表 3 120 kV组各CTDI_vol组不同重建条件下图像的主观评分均值 Table 3 Subjective scores of various CTDI_volsubgroups of the 120 kV group under different reconstruction conditions

注：FBP. 滤波反投影；ASIR-V 50%、ASIR-V 80%、ASIR-V 100%. 分别为不同权重迭代重建算法；DLIR-L、DLIR-M、DLIR-H. 分别为不同等级深度学习重建算法
A. FBP图像；B~D. 分别为ASIR-V 50%、ASIR-V 80%、ASIR-V 100%图像；E~G. 分别为DLIR-L、DLIR-M、DLIR-H图像图 2 CTDI_vol为6 mGy组的100 kV组不同重建条件下图像的主观评价 A. FBP image; B-D. Images constructed using ASIR-V 50%, ASIR-V 80%, and ASIR-V 100%, respectively; E-G. Images constructed using DLlR-L, DLIR-M, and DLIR-H, respectively Figure 2 Subjective evaluations for CT images of the subgroup with a CTDI_vol of 6 mGy in the 100 kV group under different reconstruction conditions

注：FBP. 滤波反投影；ASIR-V 50%、ASIR-V 80%、ASIR-V 100%. 分别为不同权重迭代重建算法；DLIR-L、DLIR-M、DLIR-H. 分别为不同等级深度学习重建算法
A. FBP图像；B~D. 分别为ASIR-V 50%、ASIR-V 80%、ASIR-V 100%图像；E~G. 分别为DLIR-L、DLIR-M、DLIR-H图像图 3 CTDI_vol为6 mGy组的120 kV组不同重建条件下图像的主观评价 A. FBP image; B-D. Images constructed using ASIR-V 50%, ASIR-V 80%, and ASIR-V 100%, respectively; E-G. Images constructed using DLlR-L, DLIR-M, and DLIR-H, respectively Figure 3 Subjective evaluations for CT images of the subgroup with a CTDI_vol of 6 mGy in the 120 kV group under different reconstruction conditions

总体而言，100 kV组图像的主观评分较120 kV组略高，相同辐射剂量下，ASIR-V 50%图像与DLIR-M图像质量主观评分之间的差异最小且差异无统计学意义(P > 0.05)；此外，ASIR-V 50%图像与较低一阶CTDI_vol组DLIR-H图像质量主观评分之间的差异无统计学意义(P > 0.05)。

2. 客观评估

(1) CT值：100 kV组、120 kV组各CTDI_vol组在不同重建条件下各部位的CT值差异均无统计学意义(P>0.05)，且组内两两比较差异无统计学意义(P＞0.05)。

(2) 噪声、SNR及CNR：100 kV组与120 kV组之间不同辐射剂量及重建条件下各部位的噪声、SNR及CNR差异大体无统计学意义(95%以上P＞0.05)。在所有重建图像中FBP图像的噪声最大，SNR与CNR最小；随着ASIR-V重建权重或DLIR重建等级的提高，图像噪声逐渐降低，SNR与CNR逐渐升高(图 4)。

注：FBP. 滤波反投影；ASIR-V 50%、ASIR-V 80%、ASIR-V 100%. 分别为不同权重迭代重建算法；DLIR-L、DLIR-M、DLIR-H. 分别为不同等级深度学习重建算法；SD. 噪声；SNR. 信噪比；CNR. 对比噪声比图 4 100 kV组不同CTDI_vol及重建条件下肝脏图像的噪声(A)、SNR(B)、CNR(C)的变化规律 Figure 4 Variations in the noise (A), SNRs (B), and CNRs (C) of liver of the 100 kV group under different CTDI_vol and reconstruction conditions

同一管电压下，各CTDI_vol组不同重建条件下各部位的噪声、SNR、CNR差异均有统计学意义(F =415.39、315.30，P＜0.001)，组内两两比较结果显示，ASIR-V 50%与DLIR-L图像的噪声、SNR、CNR差异无统计学意义(P＞0.05)。部分结果显示，ASIR-V 80%、ASIR-V 100%分别与DLIR-M、DLIR-H图像的噪声、SNR、CNR差异无统计学意义(P＞0.05)；当辐射剂量较高时(CTDI_vol≥10 mGy)，ASIR-V 80%与DLIR-H图像胰腺的噪声差异无统计学意义(P＞0.05)；其余结果显示，DLIR-M、DLIR-H图像的噪声、SNR、CNR分别介于ASIR-V 50%、ASIR-V 80%与ASIR-V 100%图像的噪声、SNR、CNR之间(表 4，5)。

表 4 CTDI_vol为6 mGy组100 kV组不同重建条件下各部位CT值、噪声、SNR及CNR比较(x±s) Table 4 Comparison of CT values, noise, SNRs, and CNRs of various part of the subgroup with a CTDI_vol of 6 mGy in the 100 kV group under different reconstruction conditions(x±s)

客观指标	FBP	ASIR-V 50%	ASIR-V 80%	ASIR-V 100%	DLIR-L	DLIR-M	DLIR-H
CT值(HU)
肝脏	73.70±0.20	73.83±0.31	74.03±0.40	73.93±0.38	74.03±0.25	74.10±0.30	74.07±0.25
胰腺	24.23±0.49	24.27±0.59	23.93±0.50	24.03±0.61	23.90±0.53	23.87±0.15	23.17±0.51
肾脏	28.37±0.67	28.30±0.70	28.23±0.61	28.10±0.76	28.17±0.64	27.80±0.56	27.77±0.40
肌肉	10.30±1.18	9.93±0.93	10.03±0.64	9.77±0.45	10.00±0.79	9.90±0.70	9.93±0.64
SD(HU)
肝脏	29.23±1.31^abcdef	20.50±0.69^bcefg	14.00±0.56^acdefg	9.97±0.31^abdefg	21.77±0.70^bcefg	17.07±0.64^abcdfg	12.30±0.76^abcdeg
胰腺	29.20±0.70^abcdef	18.17±1.00^bcefg	11.93±0.85^acdefg	8.90±1.01^abdeg	18.17±0.50^bcefg	13.97±0.60^abcdfg	9.80±0.62^acdeg
肾脏	27.70±0.79^abcdef	19.00±0.46^bcefg	14.57±0.06^acdfg	11.17±0.58^abdefg	18.97±0.38^bcefg	15.23±0.47^acdfg	12.43±0.35^abcdeg
肌肉	28.87±0.42^abcdef	18.80±0.95^bcefg	12.73±0.31^acdfg	9.07±0.46^abdefg	18.13±0.71^bcefg	14.63±0.47^abcdfg	10.40±0.17^abcdeg
SNR
肝脏	2.55±0.04^abcdef	3.93±0.19^bcefg	5.82±0.16^acdefg	8.17±0.44^abdefg	4.09±0.15^bcefg	5.07±0.16^abcdfg	7.12±0.10^abcdeg
胰腺	0.84±0.03^abcdef	1.29±0.04^bcefg	1.88±0.76^acdefg	2.66±0.19^abdefg	1.32±0.08^bcefg	1.63±0.06^abcdfg	2.23±0.02^abcdeg
肾脏	0.98±0.02^abcdef	1.51±0.04^bcefg	2.22±0.20^acdefg	3.10±0.18^abdefg	1.56±0.09^bcefg	1.90±0.03^abcdfg	2.67±0.08^abcdeg
CNR
肝脏	2.91±0.02^abcdef	4.46±0.19^bcefg	6.61±0.21^acdefg	9.25±0.54^abdefg	4.64±0.14^bcdeg	5.75±0.22^abcdfg	8.08±0.55^abcdeg
胰腺	1.20±0.02^abcdef	1.82±0.06^bcefg	2.67±0.12^acdefg	3.73±0.28^abdefg	1.87±0.08^bcefg	2.31±0.12^abcdfg	3.18±0.06^abcdeg
肾脏	1.34±0.03^abcdef	2.03±0.04^bcefg	3.01±0.06^acdefg	4.19±0.27^abdefg	2.11±0.09^bcefg	2.58±0.09^abcdfg	3.63±0.04^abcdeg
注：FBP. 滤波反投影；SD. 噪声；SNR. 信噪比；CNR. 对比噪声；ASIR-V 50%、ASIR-V 80%、ASIR-V 100%. 分别为不同权重迭代重建算法；DLIR-L、DLIR-M、DLIR-H. 分别为不同等级深度学习重建算法。^a与ASIR-V 50%图像比，P＜0.05；^b与ASIR-V 80%图像比，P＜0.05；^c与ASIR-V 100%图像比，P＜0.05；^d与DLIR-L图像比，P＜0.05；^e与DLIR-M图像比，P＜0.05；^f与DLIR-H图像比，P＜0.05；^g与FBP图像比，P＜0.05

表 5 CTDI_vol为6 mGy组120 kV组不同重建条件下各部位CT值、噪声、SNR及CNR比较 Table 5 Comparison of CT values, noise, SNRs, and CNRs of various part of the subgroup with a CTDI_vol of 6 mGy in the 120 kV group under different reconstruction conditions

客观指标	FBP	ASIR-V 50%	ASIR-V 80%	ASIR-V 100%	DLIR-L	DLIR-M	DLIR-H
CT值(HU)
肝脏	73.50±0.60	73.57±0.60	73.43±0.60	73.63±0.75	73.73±0.67	73.70±0.79	73.70±0.79
胰腺	27.77±0.99	28.00±0.82	27.63±0.57	28.07±0.72	28.03±0.55	28.33±0.60	28.17±0.35
肾脏	30.63±0.47	30.83±0.40	30.80±0.26	30.53±0.40	30.87±0.55	30.53±0.51	30.50±0.53
肌肉	0.43±0.32	0.57±0.25	0.63±0.42	0.67±0.31	0.47±0.32	0.50±0.26	0.57±0.45
SD(HU)
肝脏	30.63±0.95^abcdef	19.83±0.64^bcefg	13.70±0.66^acdefg	9.47±0.64^abdefg	19.77±0.67^bcefg	15.83±0.55^abcdfg	11.13±0.25^abcdeg
胰腺	28.43±1.76^abcdef	17.97±0.45^bcefg	11.63±0.71^acdefg	7.93±0.40^abdeg	18.23±0.78^bcefg	13.47±0.93^abcdeg	9.00±0.53^abdeg
肾脏	28.87±1.44^abcdef	19.40±0.72^bcefg	14.20±0.53^acdfg	11.23±1.05^abdeg	18.27±0.74^bcefg	15.30±0.85^acdfg	11.37±0.75^abdeg
肌肉	29.30±0.30^abcdef	19.70±0.98^bcefg	13.43±1.06^acdfg	9.57±0.81^abdeg	19.60±1.30^bcefg	14.03±0.32^acdfg	10.30±0.66^abdeg
SNR
肝脏	2.51±0.01^abcdef	3.74±0.21^bcefg	5.49±0.49^acdfg	7.73±0.62^abdeg	3.77±0.22^bcefg	5.25±0.17^acdfg	7.17±0.40^abdeg
胰腺	0.95±0.42^abcdef	1.42±0.85^bcefg	2.07±0.19^acdfg	2.95±0.33^abdeg	1.43±0.07^bcefg	2.02±0.05^acdfg	2.74±0.21^abdeg
肾脏	1.05±0.03^abcdef	1.57±0.07^bcefg	2.30±0.20^acdfg	3.21±0.30^abdeg	1.58±0.13^bcefg	2.18±0.01^acdfg	2.97±0.15^abdeg
CNR
肝脏	2.52±0.01^abcdef	3.77±0.20^bcefg	5.54±0.52^acdfg	7.80±0.66^abdeg	3.80±0.20^bcefg	5.29±0.16^acdfg	7.23±0.45^abdeg
胰腺	0.96±0.04^abcdef	1.45±0.07^bcefg	2.11±0.23^acdfg	3.02±0.37^abdeg	1.46±0.06^bcefg	2.06±0.06^acdfg	2.80±0.25^abdeg
肾脏	1.06±0.03^abcdef	1.60±0.06^bcefg	2.35±0.23^acdfg	3.28±0.34^abdeg	1.60±0.12^bcefg	2.21±0.02^acdfg	3.02±0.20^abdeg
注：FBP. 滤波反投影；SD. 噪声；SNR. 信噪比；CNR. 对比噪声；ASIR-V 50%、ASIR-V 80%、ASIR-V 100%. 分别为不同权重迭代重建算法；DLIR-L、DLIR-M、DLIR-H. 分别为不同等级深度学习重建算法。^a与ASIR-V 50%图像比，P＜0.05；^b与ASIR-V 80%图像比，P＜0.05；^c与ASIR-V 100%图像比，P＜0.05；^d与DLIR-L图像比，P＜0.05；^e与DLIR-M图像比，P＜0.05 ^；f与DLIR-H图像比，P＜0.05；^g与FBP图像比，P＜0.05

3. 辐射剂量：100 kV组与120 kV组辐射剂量，即实际CTDI_vol、DLP及E差异均无统计学意义(P>0.05)。以辐射剂量最高，即CTDI_vol为15 mGy组ASIR-V 50%图像作为参照，在满足诊断需求的前提下，与较低CTDI_vol组不同等级DLIR图像各部位的噪声比较结果显示，15 mGy组ASIR-V 50%图像与10 mGy组DLIR-L、DLIR-M图像部分脏器的噪声差异无统计学意义(P＞0.05)，与8 mGy组、6 mGy组、4 mGy组DLIR-M图像及4 mGy、2 mGy组DLIR-H图像部分脏器的噪声差异均无统计学意义(P＞0.05)。相对地，15 mGy组ASIR-V 50%图像与较低CTDI_vol组部分DLIR图像，如与10 mGy组DLIR-H图像、8 mGy组及6 mGy组DLIR-L、DLIR-H图像、4 mGy组DLIR-L图像各脏器噪声差异均有统计学意义(P＜0.05)。可见，辐射剂量降低的同时，DLIR算法可以在满足诊断需求的前提下保证图像噪声稳定，低、中、高等级DLIR可以分别降低辐射剂量超过30%、70%、85%。

讨论

由于腹部组织器官之间密度相近，构成了一个相对低对比环境，当腹部病灶较小，且与周围组织密度差别不大时，对图像低对比可探测能力(LCD)要求更高^[11]。为了实现CT质控的标准化，人体仿真模型作为客观评价工具必不可少，本研究应用PH-5腹部仿真模体，允许在不同技术参数下进行反复扫描，不存在伦理问题，可确保研究的可重复性和可比性。

FBP作为第一代重建算法优点是快速、可靠，但却无法消除由于光子涨落产生的量子噪声，有时还会放大噪声，影响图像质量^[12]。本研究中FBP重建的图像CNR、SNR值最小，图像噪声值最大，图像质量评分最低。ASIR-V算法通过改变自身权重达到不同程度的降噪效果，同时提高图像对比度，改善图像质量^[13]，但也有其自限性，ASIR-V权重为40%~60%图像质量最高，而更高权重的ASIR-V图像层次感下降，出现“腊质”伪影^{[7, 14]}，本研究结果与之相一致。

不同于传统的重建算法，DLIR算法采用基于深度卷积神经网络的模型并通过高质量FBP及基于模型的迭代重建(MBIR)数据集训练学习如何从信号中区分噪声，并合成一个重构函数，通过深度学习过程不断进行优化，直至输出低噪声、高分辨率的CT图像^[15]。在本研究腹部体模重建图像中，不同重建方式下各部位的CT值无明显差异，进一步说明DLIR在CT值重建上与前二者是一致的，可以安全地应用于临床^[16]。随着DLIR重建等级的提高，图像噪声逐渐降低，SNR、CNR逐渐升高，图像质量逐渐提高；选择ASIR-V 50%图像作为参照，其与DLIR-L图像的客观指标相当，与DLIR-M图像质量主观评分基本一致。然而，ASIR-V 80%与ASIR-V 100%图像客观指标虽分别与DLIR-M、DLIR-H图像一致，但主观评分均低于中、高等级DLIR图像，因此，平衡图像噪声、清晰度和整体诊断的信心度，DLIR-M、DLIR-H比ASIR-V更具优势，这与Kim等^[17]的研究结果一致。此外，以高剂量组ASIR-V 50%图像作为参照，对比低剂量组不同等级的DLIR图像客观指标，结果显示在满足诊断需求的前提下，低中高等级的DLIR可以分别降低辐射剂量超过30%、70%、85%。由此可见，DLIR算法不仅可以显著提高腹部CT图像质量，降低图像噪声，而且可以在满足临床诊断需求的前提下有效降低辐射剂量。

此外，当辐射剂量较低且相同时，100 kV组与120 kV组图像客观指标基本保持稳定，但前者图像质量较后者整体略高，这是因为管电压降低的同时管电流的增加可以提高图像的CNR，从而提高了腹部图像的LCD^[11]及诊断信心度。此外，多数研究表明低管电压，如100 kV甚至80 kV作为一种值得推荐的腹部低剂量扫描方法在儿童及体质量指数较低的成年患者中的应用价值十分重要^[18]。因此，在实际工作中，推荐应用100 kV管电压结合中、高等级DLIR行腹部CT低剂量扫描。

本研究的局限性：体模研究不能完全替代临床研究，在今后的研究中拟收集病例样本进行临床试验，增加腹部增强CT的相关研究，促进DLIR算法在临床优化图像质量和辐射剂量中发挥更高的价值。

利益冲突 本文作者声明不存在任何与本稿件相关的利益冲突

作者贡献声明 张玉荣负责实验设计、数据分析和论文撰写；苑倩倩负责数据采集和数据解释；高剑波负责选题设计；刘杰指导论文修改

参考文献

[1]	Golding SJ, Shrimpton PC. Radiation dose in CT: are we meeting the challenge?[J]. Br J Radiol, 2002, 75(889): 1-4. DOI:10.1259/bjr.75.889.750001
[2]	Fält T, Söderberg M, Hörberg L, et al. Simulated dose reduction for abdominal CT with filtered back projection technique: effect on liver lesion detection and characterization[J]. AJR Am J Roentgenol, 2019, 212(1): 84-93. DOI:10.2214/AJR.17.19441
[3]	Pontone G, Muscogiuri G, Andreini D, et al. Impact of a new adaptive statistical iterative reconstruction (ASIR)-V algorithm on image quality in coronary computed tomography angiography[J]. Acad Radiol, 2018, 25(10): 1305-1313. DOI:10.1016/j.acra.2018.02.009
[4]	柴亚如, 邢静静, 高剑波, 等. 多模型迭代重建算法对腹部体模CT扫描图像质量和辐射剂量的影响[J]. 中国医学影像技术, 2018, 34(1): 118-122. Chai YR, Xing JJ, Gao JB, et al. Influence of adaptive statistical iterative reconstruction-V on image quality and radiation dose of abdominal CT in phantom[J]. Chin J Med Imaging Technol, 2018, 34(1): 118-122. DOI:10.13929/j.1003-3289.201704047
[5]	石清磊, 赵红梅, 张玲, 等. 自适应统计迭代重建算法对腹部CT扫描中图像质量和辐射剂量影响的模体研究[J]. 中华放射学杂志, 2013, 47(4): 326-329. Shi QL, Zhao HM, Zhang L, et al. Evaluation of dose reduction and image quality in abdominal CT using adaptive statistical iterative reconstruction in a phantom study[J]. Chin J Radiol, 2013, 47(4): 326-329. DOI:10.3760/cma.j.issn.1005-1201.2013.04.008
[6]	Padole A, Ali Khawaja RD, Kalra MK, et al. CT radiation dose and iterative reconstruction techniques[J]. AJR Am J Roentgenol, 2015, 204(4): W384-392. DOI:10.2214/AJR.14.13241
[7]	Szczykutowicz TP, Nett B, Cherkezyan L, et al. Protocol optimization considerations for implementing deep learning CT reconstruction[J]. AJR Am J Roentgenol, 2021, 216(6): 1668-1677. DOI:10.2214/AJR.20.23397
[8]	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
[9]	Akagi M, Nakamura Y, Higaki T, et al. Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT[J]. Eur Radiol, 2019, 29(11): 6163-6171. DOI:10.1007/s00330-019-06170-3
[10]	Singh R, Digumarthy SR, Muse VV, et al. Image quality and lesion detection on deep learning reconstruction and iterative reconstruction of submillisievert chest and abdominal CT[J]. AJR Am J Roentgenol, 2020, 214(3): 566-573. DOI:10.2214/AJR.19.21809
[11]	唐坤, 曹国全, 李瑞, 等. 低管电压腹部CT扫描对图像质量及辐射剂量影响的体模实验[J]. 中国医学影像技术, 2012, 28(4): 800-804. Tang K, Cao GQ, Li R, et al. Experiment on the impact of low tube voltage on imaging quality and radiation dose in abdominal multi-detector CT[J]. Chin J Med Imaging Technol, 2012, 28(4): 800-804. DOI:10.13929/j.1003-3289.2012.04.019
[12]	孙钰舒, 王瑶, 王国华, 等. 基于深度学习的重建算法对腹部胰腺和门静脉CT图像质量的改善价值[J]. 医学影像学杂志, 2022, 32(1): 99-103. Sun YS, Wang Y, Wang GH, et al. The improvement value of deep learning-based reconstruction algorithm on CT image quality of abdominal pancreas and portal vein[J]. J Med Imaging, 2022, 32(1): 99-103.
[13]	Lee S, Kwon H, Cho J. The detection of focal liver lesions using abdominal CT: a comparison of image quality between adaptive statistical iterative reconstruction v and adaptive statistical iterative reconstruction[J]. Acad Radiol, 2016, 23(12): 1532-1538. DOI:10.1016/j.acra.2016.08.013
[14]	柴亚如, 邢静静, 高剑波, 等. 前置多模型迭代重建技术在腹部增强CT中的应用探讨[J]. 中华医学杂志, 2018, 98(9): 696-700. Chai YR, Xing JJ, Gao JB, et al. Application of preset adaptive statistical iterative reconstruction-V in dual-enhanced abdominal CT[J]. Natl Med J China, 2018, 98(9): 696-700. DOI:10.3760/cma.j.issn.0376-2491.2018.09.015
[15]	Ichikawa Y, Kanii Y, Yamazaki A, et al. Deep learning image reconstruction for improvement of image quality of abdominal computed tomography: comparison with hybrid iterative reconstruction[J]. Jpn J Radiol, 2021, 39(6): 598-604. DOI:10.1007/s11604-021-01089-6
[16]	van Stiphout JA, Driessen J, Koetzier LR, et al. The effect of deep learning reconstruction on abdominal CT densitometry and image quality: a systematic review and meta-analysis[J]. Eur Radiol, 2022, 32(5): 2921-2929. DOI:10.1007/s00330-021-08438-z
[17]	Kim I, Kang H, Yoon HJ, et al. Deep learning-based image reconstruction for brain CT: improved image quality compared with adaptive statistical iterative reconstruction-Veo (ASIR-V)[J]. Neuroradiology, 2021, 63(6): 905-912. DOI:10.1007/s00234-020-02574-x
[18]	杨炎炎, 黄仲奎. 腹部水模不同管电压、管电流CT扫描的研究[J]. 医学影像学杂志, 2018, 28(4): 678-682. DOI: CNKI:SUN:XYXZ.0.2018-04-048. Yang YY, Huang ZK. The study of CT scan with different tube voltage and current in abdominal water model[J]. J Med Imaging, 2018, 28(4): 678-682. DOI:CNKI:SUN:XYXZ.0.2018-04-048.


中华放射医学与防护杂志 2023, Vol. 43 Issue (8): 645-652	PDF