2023, Vol. 43
CT检查具有快捷、方便、成本低等优势，已成为当前全球筛查脑血管疾病的首选检查方法[1]。颅脑CT因扫描范围包含了眼晶状体等辐射敏感器官，因此降低辐射剂量尤为重要。降低辐射剂量最直接的办法是优化扫描条件(如kVp、mAs等)，但传统的滤波反投影(FBP)算法在降低扫描条件后，图像噪声明显增加，图像质量降低[2]。自适应统计迭代重建(ASIR)算法可以降低图像噪声，在低剂量扫描条件下能够与常规剂量下FBP重建图像的质量相当。然而，ASIR算法在空间分辨率、噪声纹理与病变检测等方面有一定局限性，限制了其进一步减少辐射剂量的潜力[3]。美国通用电气(GE)医疗研发的深度学习图像重建(deep learning image reconstruction, DLIR)算法，即TrueFidelityTM深度学习重建，以高质量FBP数据集作为训练目标，能够学习如何将噪声与信号区分开，并在不影响图像噪声纹理的情况下有效地抑制噪声。当前，DLIR算法已被用于模体和各项临床研究，但在头部的应用较少。因此，本研究旨在探讨DLIR改善低剂量颅脑CT图像质量方面的能力。
资料与方法1. 病例资料：回顾性纳入解放军总医院第二医学中心2021年11月至2022年8月间符合条件的109例患者患者作为研究对象。纳入标准：可以完成颅脑CT扫描的患者。排除标准包括：脑出血患者；既往大面积脑梗死患者；肿瘤患者；头动伪影明显的患者；头部有金属植入物伪影的患者；存在其他疾病影响影像诊断的患者。本研究获得医院伦理委员会的批准，患者数据经过脱敏处理，所有患者或监护人均签署了知情同意书。
2. 仪器与方法：使用GE Revolution APEX CT扫描仪(GE Healthcare, Milwaukee, 美国)，受检者取仰卧位。每名患者进行2颅脑CT扫描，第1次为常规剂量扫描，扫描参数如下：管电压120 kV，自动管电流454 mA(自动管电流)，光束准直64 × 0.625 mm，转速0.5 s/周，螺距0.516，视野(FOV)250 mm × 250 mm，矩阵512 × 512，层厚和层间距均为5 mm，共32层。第2次为低剂量扫描，扫描参数如下：管电压100 kV，管电流为100~300 mA(自动管电流)，光束准直64 × 0.625 mm，旋转时间0.5 s，螺距0.516，视野250 mm，矩阵512 × 512，层厚和层间距均为5 mm，共32层。根据两次CT扫描的辐射剂量报告，得到容积CT剂量指数(CTDIvol)和剂量长度乘积(DLP)，并计算有效剂量(ED)。ED=DLP × 0.002 8 mSv·mGy-1 ·cm-1[4]。
采用4组重建参数重建低剂量CT扫描数据，4组重建参数分别为30%强度ASIR-V(ASIR-V-30%)，低强度DLIR (DLIR-L)、中等强度DLIR(DLIR-M)和高强度DLIR(DLIR-H)。所用重建均为Standard。重建层厚及间隔均为1.25 mm。
3. 图像分析：所有图像导入GE后处理工作站(Advantage Workstation 4.7, GE Healthcare, Milwaukee, 美国)进行客观定量测量和主观定性评估。
(1) 客观测量：由3名分别具有29、21和16年工作经验的神经放射诊断医师对CT横断面图像进行感兴趣区域(ROI)勾画，取3名医生测量的平均值作为最后的测量值。将大小为5 mm2的ROI置于4个区域，分别为：半卵圆中心水平额叶的白质，即表浅白质；大脑皮层的灰质，即表浅灰质；内囊后肢的白质，即深部白质；丘脑，即深部灰质。选取上述区域进行测量是因为上述区域相对没有伪影，干扰因素较少[5]。为确保不同区域ROI大小一致，ROI勾画采用复制和粘贴方法。测量CT值和图像噪声，图像噪声定义为记录ROI面积内图像像素CT值的标准差(SD)[5]，该数值越小代表图像噪声小，图像质量越好。计算信号噪声比(SNR)和对比噪声比(CNR)。SNR=CT值ROI/SDROI，CNR 灰白质=(CT值灰质-CT值白质)/ CT值白质。
(2) 主观评价：由3名分别具有29年、21年和16年工作经验的神经放射诊断医师在工作站分别独立阅片。图像以随机顺序呈现，扫描及重建参数不可见。评分均采用Likert 5分制，评估内容包括图像解剖结构和图像细节清晰程度。评分标准为：1分，图像质量差，解剖结构显示不清，无法诊断；2分，图像质量较差，解剖结构辨识困难，诊断价值有限；3分，图像质量一般，解剖结构部分欠清晰，初步满足诊断要求；4分，图像质量良好，解剖结构较清晰，满足诊断要求；5分，图像质量优，解剖结构清晰，诊断优异。分别由2名医师独立进行评价，结果不一致时由第3名医师仲裁。
4. 统计学处理：所有统计分析均使用SPSS 26.0软件包。采用单因素方差分析(ANOVA)，比较组间的客观图像质量CT值、图像噪声、CNR和SNR，两两比较采用Bonferroni检验。采用Kruskal-Wallis检验比较主观图像质量评分，两两比较采用Mann-Whitney U检验。采用配对t检验比较常规剂量组及低剂量组的辐射剂量。放射诊断医师评分结果采用线性加权Kappa检验，Kappa≤0.2为一致性差，0.2 < Kappa ≤0.4为一致性低，0.4 < Kappa ≤0.6为一致性中等，0.6 < Kappa ≤0.8为一致性好，0.8 <Kappa ≤1为一致性高。P < 0.05为差异有统计学意义。
结果1. 人员结构分析及辐射剂量：共纳入109例患者，男104例、女5例，年龄65~110岁(89.16±9.53岁)。低剂量组的CTDIvol、DLP、ED分别为(33.49±3.41)mGy、(447.74±5.55)mGy·cm、(0.93±0.01)mSv，常规剂量组的CTDIvol、DLP、ED分别为(65.26±0.02)mGy、(1 044.23±0.22)mGy·cm、(2.92±0.01)mSv，低剂量组较常规剂量组DLP和ED分别下降了57.12%和68.08%。
2. 客观图像质量分析：4组重建图像在图像噪声深部灰质、SNR深部灰质、图像噪声深部白质、SNR深部白质及CNR深部灰白质的总体差异有统计学意义(F =167.43、98.23、275.46、72.95、241.13，P < 0.05)，见表 1。DLIR-M与DLIR-H组间图像噪声深部灰质、图像噪声深部白质和CNR深部灰白质的差异有统计学意义(t = 25.13、23.77、17.15，P < 0.001)。深部灰质和深部白质CT值，4组间差异没有统计学意义。随着DLIR的重建强度从低到高，深部灰质的图像降噪率分别从23.0%提高到51.0%，深部白质的图像降噪率分别从24.3%提高到53.3%。低剂量组DLIR-H的图像质量明显高于其他组，表明在降低剂量的情况下，通过DLIR重建仍然能够得到更清晰的图像。
|
表 1 109例患者4种不同CT重建算法的脑深部灰白质图像质量客观评价比较(x±s) Table 1 Objective evaluation and comparison of the quality of deep gray and white matter images in 109 patients using four different CT reconstruction algorithms (x±s) |
4组重建图像在图像噪声表浅灰质、SNR表浅灰质、图像噪声表浅白质、SNR表浅白质以及CNR表浅灰白质的总体差异有统计学意义(F = 182.32、68.43、361.54、58.24、289.91，P < 0.05)，表浅灰质和表浅白质CT值，组间对比差异没有统计学意义，见表 2。DLIR-M与DLIR-H组间图像噪声表浅灰质、图像噪声表浅白质和CNR表浅灰白质的差异有统计学意义(t = 28.74、16.43、15.23，P < 0.05)。随着DLIR的重建强度从低到高，表浅灰质的图像降噪率从12.8%提高到51.0%，表浅白质的图像降噪率从19.9%提高到49.7%。低剂量组DLIR-H的图像质量明显高于其他组，这个结果和前面在深部结构测量的结果一致。
|
|
表 2 109例患者4种不同CT重建算法的脑表浅部灰白质图像质量客观评价比较(x±s) Table 2 Objective evaluation and comparison of the quality of superficial gray and white matter images in 109 patients using four different CT reconstruction algorithms(x±s) |
3. 主观图像质量分析：低剂量颅脑CT的ASIR-V-30%、DLIR-L、DLIR-M和DLIR-H重建图像总体图像质量主观评分差异有统计学意义(F = 6.81，P＜0.05)，两两比较显示DLIR-H组图像质量主观评分优于其他3组(t = 7.25、8.32、9.63，P＜0.05)。图像质量主观评分在观察者间一致性高(Kappa =0.826，P＜0.05)。
讨论本研究在颅脑低剂量CT扫描中分别应用ASIR-V和DLIR两种重建算法，通过客观和主观评价比较不同重建算法的图像质量。结果显示，与ASIR-V相比，DLIR算法能够有效降低颅脑低剂量CT的图像噪声和伪影，并提高SNR和CNR。并且，随着DLIR，即TrueFidelity使用强度提高，对图像噪声和伪影的抑制能力逐渐增强，DLIR-H的主观和客观图像质量评价更优。
噪声是评估CT图像质量的主要指标，而图像质量对于检测腔隙性脑梗死这类小病变尤为重要。低噪声、高SNR有利于病变的检测。DLIR是近年来随着人工智能的兴起而产生的一种新技术，它能够同时实现高质量图像、低辐射剂量和快速重建速度的效果。DLIR算法采用类似的训练方法，即为训练网络提供数百万对匹配的图像，其中一组是低剂量低图像质量的图像，另一组是高剂量和超高图像质量的图像。系统进行深度学习并进行数以百万计的迭代和调整，在监督下自动学习如何消除低图像质量的噪声，转换为高质量的图像，转换过程中智能地消除了图像噪声数据，输出的图像是与真实图像完全匹配的[6]。本研究显示，与ASIR-V图像相比，DLIR图像在噪声、SNR、CNR及主观评分方面表现更优。研究结果与Kim等[5]的研究发现一致，即在颅脑CT成像中，DLIR算法通过降低图像噪声及伪影，较ASIR-V算法图像质量有明显提高；但也存在差异，Kim等[5]的研究比较的是常规辐射剂量扫描条件下不同重建算法的图像质量，其扫描的管电压为120 kV，平均DLP为(768.36±86.61)mGy·cm。而本研究比较的是低剂量条件下[管电压100 kV，平均DLP为(447.74±5.55)mGy·cm] 不同重建算法的图像质量，发现低剂量扫描联合DLIR同样可以明显提高图像质量。本研究结果扩展了DLIR的临床可适用范围，为今后开展颅脑低辐射剂量CT联合DLIR相关临床研究奠定了基础。此外，本研究中图像质量主观评分的观察者间一致性较Kim等[5]的研究高(Kappa系数0.826 vs. 0.717)，这种差异可能源于本研究招募的3位图像观察者在神经放射诊断方面具有更丰富的临床经验，而Kim等[5]的研究中，仅有两位神经放射学家进行定性图像质量分析，因此本研究的图像判读结果更稳健、准确。
Alagic等[7]的研究发现对于创伤患者，DLIR相比ASiR-V具有更优异的图像质量，使TrueFidelity适用于创伤患者，并有可能改善对颅内出血的诊断表现。Sun等[6]在儿童群体中进行研究，发现与ASIR-V图像相比，DLIR-H提高了儿童头部CT图像的质量，0.625 mm层厚DLIR-H图像改善了病变检测，并得到与5 mm层厚50%ASIR-V图像类似的图像噪声，预示如果使用与ASIR-V相同图像质量和层厚，DLIR-H可以减少85%的剂量。有研究纳入的人群是怀疑腔隙性脑梗死的老年群体，对于此群体而言，DLIR-H图像较ASIR-V图像具有更好的图像质量，与此前多项研究相符[5-6, 8]。脑内腔隙性梗死灶的清晰显示具有重要的临床意义，因为随着老年人年龄增长自发性脑出血的概率增加，通过CT筛查发现腔隙性梗死灶，将为临床医师制定进一步评估方案和个体化治疗提供依据[9]。本研究结果为DLIR应用于临床奠定了基础，使进行CT检查的可疑腔隙性梗死患者受益，避免了以往ASIR算法图像上因图像噪声引起的对腔隙性梗死灶模棱两可的诊断结果，是本研究的创新点。
本研究结果表明在提升图像质量的同时，低剂量颅脑CT采用不同强度的DLIR算法与采用ASIR-V算法相比，未改变深、浅部脑灰白质的CT值，表明DLIR未改变图像外观，这对于病变的定量检测十分重要。
本研究的局限性：首先，本研究为回顾性研究，样本量相对较少，需要扩大样本量进一步验证；其次，仅进行了较常规扫描下降57.12%辐射剂量条件下的评估，没有在不同的辐射剂量水平上对DLIR进行客观及主观图像分析，但该辐射剂量水平的设置是基于前期预实验的结果，在保证尽可能减低辐射剂量的同时不影响临床常规诊断需求；最后，由于本研究的重点是评估DLIR在低剂量条件下对图像质量的提升，未报告病灶的显示能力，病灶的检出率的提升情况有待于进一步验证。
综上所述，与ASIR-V相比，DLIR算法能够有效降低颅脑低剂量CT的图像噪声和伪影，并提高SNR和CNR。并且，随着DLIR使用强度提高，图像噪声和伪影的抑制能力逐渐增强，DLIR-H的主、客观图像质量评价最优。
利益冲突 无
作者贡献声明 崔津津负责采集数据、统计分析及论文撰写；刘贯中负责判读图像及处理数据；胡兴和负责材料收集；韩邵军负责材料收集；孙红负责判读图像；王新江负责论文审阅及指导；姚洪祥负责指导论文研究设计方案及论文修改，提供课题支持
| [1] |
Mitani H, Tatsugami F, Higaki T, et al. Accuracy of thin-slice model-based iterative reconstruction designed for brain CT to diagnose acute ischemic stroke in the middle cerebral artery territory: a multicenter study[J]. Neuroradiology, 2021, 63(12): 2013-2021. DOI:10.1007/s00234-021-02745-4 |
| [2] |
Schofield, R, King L, Tayal U, et al. Image reconstruction: part 1 - understanding filtered back projection, noise and image acquisition[J]. J Cardiovasc Comput Tomogr, 2020, 14(3): 219-225. DOI:10.1016/j.jcct.2019.04.008 |
| [3] |
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 |
| [4] |
Hidajat N, Mäurer J, Schröder RJ, et al. Relationships between physical dose quantities and patient dose in CT[J]. Br J Radiol, 1999, 72(858): 556-561. DOI:10.1259/bjr.72.858.10560337 |
| [5] |
K im, J H, Yoon HJ, Lee E, et al. Validation of deep-learning image reconstruction for low-dose chest computed tomography scan: emphasis on image quality and noise[J]. Korean J Radiol, 2021, 22(1): 131-138. DOI:10.3348/kjr.2020.0116 |
| [6] |
Sun J, Li H, Wang B, et al. Application of a deep learning image reconstruction (DLIR) algorithm in head CT imaging for children to improve image quality and lesion detection[J]. BMC Med Imaging, 2021, 21(1): 108. DOI:10.1186/s12880-021-00637-w |
| [7] |
Alagic Z, Diaz Cardenas J, Halldorsson K, et al. Deep learning versus iterative image reconstruction algorithm for head CT in trauma[J]. Emerg Radiol, 2022, 29(2): 339-352. DOI:10.1007/s10140-021-02012-2 |
| [8] |
Shirasaka T, Kojima T, Funama Y, et al. Image quality improvement with deep learning-based reconstruction on abdominal ultrahigh-resolution CT: A phantom study[J]. J Appl Clin Med Phys, 2021, 22(7): 286-296. DOI:10.1002/acm2.13318 |
| [9] |
Gatti L, Tinelli F, Scelzo E, et al. Understanding the pathophysiology of cerebral amyloid angiopathy[J]. Int J Mol Sci, 2020, 21(10): 3435. DOI:10.3390/ijms21103435 |