计算机X射线体层成像(CT)为诊断腹部和盆腔疾病的关键手段之一，为临床提供了重要的影像学信息。然而，CT检查的辐射剂量问题也日益受到关注。容积CT剂量指数(CTDI_vol)作为最常用的评估CT辐射剂量的表达量，其影响因素众多，包括患者体型、CT扫描设备的硬件配置、扫描方案以及临床扫描参数等，这些都使得CT剂量的优化和异常值检测变得复杂且繁琐，需要投入大量的人力和时间来筛选和分析数据^[1-3]。尽管现代CT放射剂量管理系统和自动获取患者特定参数的技术(例如患者的水当量直径)已简化辐射剂量的计算过程，但CT剂量指数(CTDI)的自动评估仍然是一个关键需求，以便于进一步提升剂量估算的准确性和效率。近年来，深度学习在医学影像学领域的应用日益广泛，其在图像分析、疾病诊断和结果预测等方面展现出了显著的优势^[4-8]。本研究旨在探索深度学习模型基于CT图像预测CTDI_vol的可行性及其在临床实践中的价值。

本研究已获得北京大学第一医院伦理审查委员会的批准，审批号：[2023]-890，并严格遵循本单位关于人工智能项目研发的规范。本研究共回顾性收集本院2021年2月至2022年2月的所有CT设备上行腹盆部CT平扫的图像，其中西门子SOMATOM Defination Flash CT患者258例，飞利浦iCT患者569例，通用电气lightspeed VCT患者257例。其中男602例，女482例，年龄17~83岁，平均(58.41±17.4)岁，共计1 084例患者的图像。入组标准：所有患者腹盆部CT平扫的图像，无病史要求，将入组图像分为训练集(72%, 784例)、验证集(18%, 196例)和测试集(10%, 104例)，测试集数据要满足其与训练集和验证集的图像数据来源于不同的患者。该数据集的CTDI_vol数值由患者CT的辐射剂量报告中获得，作为模型训练及测试的目标值，CTDI_vol为(18.16±6.16)mGy，范围为3.97~ 55.5 mGy。排除标准：图像伪影较大，不能进行诊断的图像。

采用3个品牌CT设备进行扫描，其中伪影较重及重复扫描的患者剔除本组研究，扫描参数为管电压120 kV，管电流350 mAs，扫描层厚5 mm，扫描层间距5 mm。记录每个患者的姓名、性别、年龄、kV、有效mAs、螺距、旋转时间、CTDI_vol、剂量长度乘积(DLP)。

图像数据预处理由数据标注、数据归一化(SWN：随机窗口归一化)和数据裁剪3个步骤组成。由有基础医学知识的人员使用Itk-Snap^[9]工具在腹盆部CT图像数据上手动分割出实际腹盆部区域，并由影像科医生修改并确认作为分割金标准。调整窗宽300 HU，窗位30 HU。在标注步骤完成之后(图 1)，CT图像数据集进行组织窗口归一化以平衡像素强度值并缩小感兴趣的区域。为了提高回归预测模型的通用性，所有的CT图像数据集都通过随机窗口归一化^[10]和最小-最大缩放法进行归一化。最后对归一化的CT图像进行腹盆部区域裁剪，只包括腹盆部感兴趣区体积(VOI)结果，得到腹盆部图像VOI数据用于分割模型和回归模型的建立。

图 1 1例通过Itk-Snap工具手动分割与标注图像 A. 腹盆部CT输入图像；B. 手动分割标注后的图像 Figure 1 An example of the manual segmentation and labeling process using Itk-Snap software A. Input images of abdomen and pelvis CT; B. The marked image with manually segmented

所有的3D分割模型和回归模型都是用Pytorch(1.4.0版)^[11]和fastai(2.1.10版)^[12]与NVIDIA Tesla V100 GPU实现的。本研究中，3D腹盆部位分割模块采用了编码器-解码器架构，共享编码器模块基于深度残差网络R3d-18模型^[13-14]进行3D图像特征提取。解码器模块是由2 D UNet^[15-16]分割模型的3D优化修改版，通过跳转连接与编码器模块相连(图 2)。3D CTDI_vol回归预测模型同样采用了深度残差网络R3d-18的主体作为3D图像特征提取器编码器的基本结构，并定制了仅使用图像的CTDI_vol预测回归模型的头结构的实现(图 3)。

图 2 分割模型架构示意图 Figure 2 Schematic diagram of the segmentation model architecture

图 3 CTDIvol回归预测模型架构示意图 Figure 3 Schematic diagram of CTDIvol regression prediction model architecture

CTDI_vol预测模型包括腹盆部位分割和辐射剂量回归预测两个功能模块，在图像训练及测试阶段，主要涉及3类图像：输入图像，器官分割目标图像和器官分割预测图像，对于该模型效能，主要从分割和回归两个角度来比较评估。其中用Dice系数为腹盆解剖部位分割性能的评价指标，Dice系数是一种集合相似度度量指标，通常用于计算两个样本的相似度，取值范围0~1，器官分割结果最好时为1，最差时为0。用均方根对数误差(RMSLE)评估辐射剂量指数回归预测性能，该指标越接近于0，回归预测模型越准确。另外，本研究中特别定义了模型估算误差冗余占比的指标(ERR)，即认为估算值和真实值的误差在该误差冗余占比值内，则表示模型估算正确，否则为估算错误；基于此定义，本研究同时也用估算正确占比来评估模型效能，该指标越接近于1，模型越准确。

Dice系数在腹盆部CT图像分割模型在测试集上的表现非常出色，Dice系数达到了0.998，这意味着模型能够非常准确地分割CT图像中的扫描区域，手动分割标注的染色图像与通过模型预测结果的染色图像基本一致，见图 4。

图 4 分割结果示意图 A. 手动分割标注后的染色图像；B. 模型预测结果的染色图像 Figure 4 Diagram of segmentation result A. The stained image after manually segmentation and labeling; B. The stained image of model prediction

(1) CTDI回归模型性能：CTDI回归模型在测试集上的均方根对数误差为9.41%，这表明模型在估算辐射剂量时的误差相对较小。

(2) 估算正确占比：模型的估算正确占比达到了92%，说明在大多数情况下，模型能够提供准确的CTDI值。

(3) CTDI估算模型的准确性：图 5展示了CTDI估算模型的散点图，其中横坐标为真实CTDI值，纵坐标为模型估算值。圆点表示具体的估算值，绿色线表示线性拟合曲线，方形点表示误差较大的点。从散点图可以看出，大部分CTDI估算值分布在误差冗余范围内，这表明模型的估算结果在可接受的误差范围内，但也有一些点(方形点)的预测误差较大，这可能需要进一步分析原因并优化模型。

图 5 CTDIvol目标值和模型估算值的分布散点图 Figure 5 Scatter plot of the distribution of CTDIvol target values and model estimates

全面统计CT辐射剂量，需要人工筛选大量的CT的数据，过程既耗时又耗力，此外，不同的CT扫描设备在生成辐射剂量报告时可能存在显著的格式差异，这给批量统计分析带来了额外的挑战^[17-21]。精确评估CTDI_vol对于优化扫描方案、实现辐射剂量的有效管理以及确保患者的辐射安全显得至关重要。针对这些问题，本研究开发了一种基于深度学习算法的分割回归混合模型，旨在实现腹盆部CTDI_vol的自动估算。与传统的临床方法相比，该模型能够直接从患者的3D腹盆部CT图像中得出CTDI_vol的估算结果，从而显著提高了估算的客观性、速度和准确性。

本研究的结果表明，对于测试集中出现估算错误的患者，发现其CTDI_vol目标值的误差范围主要集中在2.63~3.24之间，最大误差不超过3.5。该原因可能由模型估算过程中受患者体型因素影响或图像伪影因素造成。根据CTDI_vol数值的分布特点，在研究中引入了一个预测误差冗余占比的指标(ERR=35%)，以确保模型的估算结果与真实目标值之间的回归预测准确率维持在一个可接受的误差范围内。这也进一步证实了CTDI_vol估算模型在一定的误差冗余范围内能够得出较为准确的CTDI_vol值。在训练CTDI_vol估算模型的过程中，使用了本院所有CT设备，来自多个不同CT设备厂家的腹盆部CT图像数据。尽管这些图像在质量上基本保持一致，但由于来源于不同的设备，它们在图像性质上仍存在一定的差异。从这一角度来看，这也验证了CTDI_vol估算模型具有较好的泛化能力。深度学习模型在基于常规3D腹盆部CT图像的CTDI_vol估算中展现出了良好的应用潜力。

本研究也存在一些局限性。首先，在数据集方面，本研究共纳入了1 084例患者的数据，并采用3D图像进行模型训练以增加训练数据量，但相对于深度学习模型的需求来说，这一数据量仍然显得不足。目前的研究结果主要证明了该方法的可行性，在未来的临床应用中，还需要进一步扩大数据集规模、优化CTDI_vol估算模型，以提高其估算准确性和鲁棒性。其次，在评价指标方面，目前主要采用了均方根对数误差和估算正确占比来评估CTDI_vol模型的性能。但在未来的临床应用中，患者的体型特征也是一个非常重要的考虑因素。因此，在后续的研究中，将进一步引入患者体型信息，以获得体型特异性剂量估计^[22](SSDE)的回归评估指标，从而更全面地评估患者的放射剂量指标。最后，在模型的泛化方面，虽然验证结果表明CTDI_vol估算模型具有一定的泛化能力，但为了进一步提高其在临床实际工作中的效率，还需要尝试将其应用于不同医疗机构、不同扫描部位等多个临床场景下，以进一步验证其泛化性能。

综上所述，使用深度学习模型对3D腹盆部CT图像进行CTDI_vol估算可行，并有望为进一步优化扫描方案、确保患者放射安全提供有力的支持。

利益冲突  无

作者贡献声明  魏守奕、李欣颖负责研究设计和实施及论文撰写；张维、张晓东、刘建新指导论文修改；全硕、刘荣超负责收集数据、文献查找及数据分析