2025, Vol. 45
2. 上海联影医疗科技股份有限公司, 上海 201807
2. Shanghai United Imaging Healthcare Co., Ltd., Shanghai 201807, China
当今医学影像领域中，颅脑CT灌注(cerebral CT perfusion, CTP)检查及其应用越来越受到重视。它可以提供有关脑部血流和灌注情况的关键信息，广泛应用于脑卒中诊断与评估、脑肿瘤评估、脑血管疾病诊断以及脑手术规划等领域。颅脑CTP是在静脉快速团注对比剂时，重复扫描头部，对连续时间内对比剂通过脑部的情况进行采样，以获得感兴趣区(regions of interest, ROI)的时间-密度曲线(time density curve, TDC)，从而建立数学模型，最终根据模型对各种灌注参数计算和分析，量化局部组织血流灌注情况[1-2]。由于采用重复性CT扫描，行颅脑CTP的患者通常受到更多的辐射剂量，这就要求在临床实践中采取措施，最大程度降低受检者的辐射剂量，同时确保获取必要的医学影像信息。
本研究对常规颅脑CTP检查进行回顾性分析，通过删除部分采样数据点的方式模拟低频率采样，以达到降低辐射剂量的效果。logistic模型常用于描述生长、衰退、饱和等现象，具有广泛的适用性[3-4]，能很好地描述颅脑CTP检查时脑组织密度随时间的变化规律。本研究对低频率采样TDC运用logistic拟合算法以建立完整的TDC，以常规颅脑CTP的运算结果作为参照，将低剂量应用和不应用logistic拟合算法情况下的运算结果分别与参照结果进行比较和分析；同时评估低剂量应用logistic拟合算法的准确程度。旨在为临床应用logistic拟合算法实现低剂量颅脑CTP扫描提供依据。
资料与方法1.研究对象：回顾性分析2022年3月至2023年4月于天津医科大学总医院接受颅脑CTP检查的患者数据，共计28例。其中，男16例、女12例，年龄为40~77岁。CT容积剂量指数(CT dose volume index, CTDIvol)均值为(73.20±1.71)mGy，剂量长度乘积(dose\|length product, DLP)均值为(1 085.95±2.57)mGy·cm。纳入标准：①符合颅脑CTP检查适应证者。②临床资料完整者。排除标准：①CT影像伪影严重。②脑血管畸形。③对比剂显影不佳。所有患者均已告知并签署知情同意书，且该研究已获本院医学伦理委员会审批(伦理审批号：IRB2021-KY-302)。
2.扫描设备与扫描方法：本研究回顾性收集的颅脑CTP检查均在uCT 960+(上海联影医疗科技公司)上进行，采用宽体探测器容积扫描模式。扫描管电压为80 kVp、管电流为120 mAs，转速为0.5 s，探测器宽度为16 cm，采用KARL算法进行重建，重建等级为8，重建层厚为5 mm，重建矩阵为512 × 512。
检查时患者仰卧于检查床上，头部置于头架正中。对比剂注射速率为5 ml/s，总量为50 ml，盐水注射速率与对比剂一致，总量为20 ml。注入对比剂8 s后开始扫描，循环扫描采样间隔为1.5 s，共持续36 s，获得25组颅脑影像数据。
3.数据处理：颅脑CTP检查数据传至后处理工作站(uWS-CT，上海联影医疗科技公司)，在每位患者的CT断层影像上手动放置感兴趣区(regions of interest, ROI)，以获取输入动脉和输出动脉的TDC。同时在患者的基底节区以及大脑前、中、后动脉的主要供血区域手动放置ROI，获取感兴趣脑区的TDC[5-6]。在脑区勾画ROI时避开血管和脑沟，有脑卒中的患者同时包括缺血区。ROI共计192个。获取TDC数据时，首先绘制每位患者大脑动脉、静脉以及ROI的常规TDC(每条曲线均有25个数据点)。然后，删除上述每条曲线中第1.5、4.5、7.5……34.5 s共12个数据，保留第0、3、6……36 s的数据，以模拟低频率循环扫描的采集结果，形成13点低剂量TDC。同时，对保留的13个数据点应用logistic拟合算法反推被删除的数据点，从而形成新的25点TDC。最后，将每位患者的常规TDC数据(RTN组)、低剂量TDC数据(no-LOGS组)以及logistic拟合算法处理后的TDC数据(LOGS组)输入工作站脑灌注功能软件，通过延迟不敏感奇异值分解(singular value decomposition, SVD)反卷积方法，计算每个ROI对应的脑血容量(cerebral blood volume, CBV)、脑血流量(cerebral blood flow, CBF)、对比剂达峰时间(time to peak, TTP)和平均通过时间(mean transit time, MTT)。将RTN组的灌注计算结果作为参考标准，对两组低剂量数据(LOGS组和no-LOGS组)的灌注计算结果与之进行相关性分析和一致性对比。
4.logistic拟合算法：颅脑CTP的TDC描述了脑组织中对比剂从流入到流出的过程，是先增后减的曲线，logistic模型对颅脑CTP的TDC的上升段(流入)和下降段(流出)都能很好地拟合。由于logistic模型是单调增曲线，因此需要对低剂量TDC先进行分段再拟合，即：第1步，以密度最大值对应的时间值作为分段点，将TDC拆分为两段。第2步，对分段点左侧的数据直接进行logistic三参数拟合，logistic三参数模型公式如下：
| $ f(t)=\frac{c}{1+a \times \mathrm{e}^{-b \times t}} $ | (1) |
式中，a、b、c为参数；f(t)为CT值，t为时间，通过该公式求出缺少时间点所对应的CT值以补全数据。同时，对分段点右侧的数据先作对称翻转处理，使其单调性与logistic模型一致，再进行logistic拟合，求出缺少时间点所对应的CT值以补全数据，之后作对称翻转使其单调性恢复为与TDC右侧段一致。第3步，将两段补全后的数据点重新拼合，形成完整的25点TDC(图 1)。
|
注：横轴为时间(s); 纵轴为CT值(HU)；TDC.时间-密度曲线 图 1 应用logistic模型对低剂量TDC拟合流程的示意图 Figure 1 Schematic diagram showing the fitting process of low-dose TDCs using the logistic model |
5.统计学处理：采用SPSS 26.0软件对数据进行分析。对LOGS组和no-LOGS组的运算结果进行差异性分析，采用Shapiro-Wilk检验数据正态性，正态分布数据的差异性分析采用配对t检验，非正态分布的差异性分析采用Wilcoxon秩和检验。分别对LOGS组与RTN组、no-LOGS组与RTN组的灌注计算结果进行线性回归分析，决定系数R2越高说明拟合程度越高。采用组内相关系数(intraclass correlation coefficient，ICC)分别评价LOGS组与RTN组、no-LOGS组与RTN组的一致性，ICC < 0.50、0.50~0.75、0.76~0.90以及>0.90分别代表一致性较差、中等、良好和极好。P < 0.05为差异具有统计学意义。
结果1.剂量降低情况：本研究通过删除数据点的方式，模拟低频率低剂量颅脑CTP检查的情况。图 2为应用logistic拟合算法计算TDC的示例，该数据来自于1例55岁女性患者的大脑动脉。对192个ROI应用logistic拟合算法补全的低剂量TDC与常规TDC之间相关系数R均值为0.958±0.03。由于未改变灌注扫描各期管电压和管电流，28例患者模拟低频率采样的辐射剂量指标：CTDIvol均值理论上降低为(38.07±0.09)mGy，DLP均值理论上降低为(564.69±1.34)mGy·cm。
|
图 2 应用logistic拟合算法计算的时间-密度曲线(TDC) Figure 2 Time-density curves calculated using the logistic fitting algorithm |
2.差异性分析：分别对LOGS组和no-LOGS组的4项运算结果进行差异性分析，CBV、CBF、TTP和MTT的差异具有统计学意义(t=2.51、-2.05、7.29、6.00，P < 0.05)。
3.线性回归分析：分别对LOGS组和no-LOGS组的运算结果与RTN组的运算结果作线性回归分析，得到拟合曲线图如图 3所示。LOGS组4项运算结果的R2均高于no-LOGS组。
|
A. CBVLOGS对比CBVRTN；B. CBVno-LOGS对比CBVRTN；C. CBFLOGS对比CBFRTN；D. CBFno-LOGS对比CBFRTN；E.TTPLOGS对比TTPRTN；F. TTPno-LOGS对比TTPRTN；G. MTTLOGS对比MTTRTN；H. MTTno-LOGS对比MTTRTN 图 3 LOGS组和no-LOGS的组的运算结果对比RTN组运算结果的线性回归分析 A. CBVLOGS vs. CBVRTN; B. CBVno-LOGS vs. CBVRTN; C. CBFLOGS Compared to CBFRTN; D. CBFno-LOGS vs. CBFRTN; E. TTPLOGS vs. TTPRTN; F. TTPno-LOGS vs. TTPRTN; G. MTTLOGS vs. MTTRTN; H. MTTno-LOGS vs. MTTRTN Figure 3 Linear regression analysis of the comparation of the calculation results of the LOGS and no-LOGS groups with those of the RTN group |
4.ICC一致性分析：分别评价LOGS组和no-LOGS组的运算结果与RTN组运算结果的一致性。LOGS组与RTN组的对比，CBV、CBF、TTP、MTT的ICC分别为0.986、0.989、0.992、0.943；no-LOGS组与RTN组的对比，CBV、CBF、TTP、MTT的ICC分别为0.980、0.942、0.861、0.843。LOGS组的4项运算结果的ICC均高于no-LOGS组，其中no-LOGS组的TTP和MTT一致性评价良好(0.76 < ICC < 0.90)，其他结果一致性均为极好(ICC>0.90)。
讨论颅脑CTP是临床诊断脑血管疾病常用的影像学技术，通过图像后处理技术获取CBV、CBF、TTP和MTT等在内的定量灌注参数，能够帮助临床医生快速、准确地评估脑血流量、脑血容量、脑组织供血状态，以及微循环的状态。更全面地理解脑部疾病的复杂性，迅速评估脑部灌注状态和功能并做出相应的临床决策。
以往研究中多采用降低管电压、降低管电流或分阶段调制管电流的方式来实现低剂量，但是直接降低管电压或管电流会造成图像噪声增大，有可能影响后处理灌注参数计算结果的准确性[7-8]。也有研究采用降低采样频率或自适应调整采样频率的方式来降低颅脑CTP辐射剂量，但是降低采样频率有可能会破坏采样数据的完整性，从而影响灌注参数计算结果的准确性[9-10]。本研究在不改变CT灌注扫描管电压和管电流的情况下，通过降低数据采集频率，减少循环曝光次数，从而达到降低总辐射剂量的目的。根据理论值计算，一次颅脑CTP检查总辐射剂量可降低至原剂量的52%。降低采集频率，数据量就会减少，影响计算结果的准确性，而应用logistic拟合算法能够模拟组织灌注的变化趋势，根据有限的数据点反推缺失的数据点，弥补低频率采样的不足，提升在低剂量扫描条件下的时间分辨力，进而得到和高剂量常规颅脑CTP扫描接近的计算结果。
目前医学影像工作站中的颅脑灌注软件处理流程，主要由4个步骤构成：运动矫正；动、静脉提取；ROI圈选；结果计算与输出。本研究提出的logistic拟合算法就应用于3、4步之间，即在计算结果之前补充TDC数据点。而第4步的结果计算一般以最大斜率法和去卷积法应用最为广泛，其中最大斜率法假设尚未有静脉流出，仅需要采集造影剂首次通过组织的数据，计算简便[6]；但是无静脉流出的假设过于简单，且需要较高的对比剂注入速率(一般6 ml/s以上)[11]。去卷积算法是将脑组织视为一个因果系统，将动脉流入视为系统输入，组织残余视为系统输出，而组织本身的响应曲线可以通过动脉流入函数与组织残余函数的去卷积结果求出，该方法不受对比剂流速限制，应用较为广泛[12-13]。因此本研究选用去卷积算法进行灌注分析。
以往研究表明，适当增加颅脑CTP的采样间隔对最终的计算结果影响较小。Wiesmann等[9]将扫描采样间隔时间增加至3 s，得到了和原始扫描相近且可接受的计算结果。本研究结果表明，在低剂量不应用logistic拟合算法情况下的灌注结果，与常规结果比较已经达到良好甚至极好的一致性。而在应用拟合算法后计算结果均达到了极好的一致性，且线性回归分析结果和ICC评价结果均有提升，说明应用logistic拟合算法能提升低采样灌注结果的准确性。在对是否应用拟合算法的4项计算结果之间的对比中，CBV和CBF的线性回归分析和ICC评价结果处于相近水平。TTP表示对比剂达到峰值的时间，可由组织ROI对应的TDC直接求得，在提取低剂量数据时可能会将常规数据的峰值点删除，造成对TTPno-LOGS的计算误差，而应用logistic拟合算法可以较好地修正这一误差，因此TTPLOGS在线性回归分析和ICC评价结果均明显优于TTPno-LOGS。MTT结果准确性均偏低，可能是因推算脉冲残差函数而引入了误差，以及校正动脉输入函数延迟而引入了误差[1, 8]。
本研究尚存在以下不足：①样本量较少，28例患者最后纳入计算的ROI为192个。②未加入伪彩图比对，因为logistic拟合算法尚未在灌注分析领域得到通用认可，当前主流商业灌注后处理软件仍采用线性插值，未将logistic拟合算法应用于像素级运算。③低剂量下的CTDIvol和DLP为理论值，由于回顾性研究无法准确追溯CTP每期的辐射剂量。
综上所述，在低采样颅脑CTP检查中应用logistic拟合算法，能够在降低辐射剂量的条件下得到与常规检查一致性极高的结果。logistics拟合算法在降低颅脑CTP辐射剂量方面显示出较高的研究价值和临床应用价值。
利益冲突 所有作者声明无利益冲突
作者贡献声明 赵翔负责研究设计、数据分析与论文撰写；李锋坦负责研究指导及审阅；周婉惠协助论文修改
| [1] |
Hakim A, Greg Z, Roland W, et al. A practical guide to CT brain perfusion[C]. Eur Congress Radiol, 2019. C-0936. DOI: 10.26044/ecr2019/C-0936.
|
| [2] |
Axel L. Cerebral blood flow determination by rapid-sequence computed tomography: theoretical analysis[J]. Radiology, 1980, 137(3): 679-686. DOI:10.1148/radiology.137.3.7003648 |
| [3] |
张国龙, 陈景武. 医学研究中Logistic回归与其他方法的结合应用[J]. 数理医药学杂志, 2007, 20(6): 763-764. Zhang GL, Chen JW. Combined application of logistic regression and other methods in medical research[J]. J Math Med, 2007, 20(6): 763-764. DOI:10.3969/j.issn.1004-4337.2007.06.007 |
| [4] |
Jakub S, Stanislaw N, Stanislaw R. Estimation of natural-gas consumption in Poland based on the logistic-curve interpretation[J]. Appl Energy, 2003, 75(1-2): 1-7. DOI:10.1016/S0306-2619(03)00013-8 |
| [5] |
曹国全, 许化致, 潘克华, 等. 320排容积CT全脑灌注成像扫描协议优化研究[J]. 中华放射医学与防护杂志, 2014, 34(5): 386-389. Cao GQ, Xu HZ, Pan KH, et al. Optimizing the scan protocol in whole-brain perfusion imaging with 320-MDCT[J]. Chin J Radiol Med Prot, 2014, 34(5): 386-389. DOI:10.3760/cma.j.issn.0254-5098.2014.05.018 |
| [6] |
中华医学会影像技术分会. 急性脑卒中多层螺旋CT检查技术专家共识[J]. 中华放射学杂志, 2020, 54(9): 839-845. Chinese Society of Imaging Technology, Chinese Medical Association. Expert consensus on multi-slice spiral CT examination for acute stroke[J]. Chin J Radiol, 2020, 54(9): 839-845. DOI:10.3760/cma.j.cn112149-20191226-01008 |
| [7] |
许春媚, 陈观尚, 陈星强, 等. 脑CT灌注成像中应用迭代重建降低辐射剂量的作用探究[J]. 影像研究与医学应用, 2023, 7(12): 83-85. Xu CM, Chen GS, Chen XQ, et al. An investigation of the role of applying iterativereconstruction for radiation dose reduction in brain CT perfusion imaging[J]. J Imaging Res Med Appl, 2023, 7(12): 83-85. DOI:10.3969/j.issn.2096-3807.2023.12.027 |
| [8] |
Fang R, Zhang S, Chen T, et al. Robust low-dose CT perfusion deconvolution via tensor total-variation regularization[J]. IEEE Trans Med Imaging, 2015, 34(7): 1533-1548. DOI:10.1109/TMI.2015.2405015 |
| [9] |
Wiesmann M, Berg S, Bohner G, et al. Dose reduction in dynamic perfusion CT of the brain: effects of the scan frequency on measurements of cerebral blood flow, cerebral blood volume, and mean transit time[J]. Eur Radiol, 2008, 18: 2967-2974. DOI:10.1007/s00330-008-1083-x |
| [10] |
van Ommen F, Kauw F, Bennink E, et al. Effect of prolonged acquisition intervals for CT-perfusion analysis methods in patients with ischemic stroke[J]. Med Phys, 2019, 46(7): 3156-3164. DOI:10.1002/mp.13559 |
| [11] |
章梦薇, 高思佳, 王忠辉, 等. 最大斜率法与去卷积算法在64层螺旋CT脑灌注后处理中的应用比较[J]. 中国医学影像技术, 2009, 25(3): 505-508. Zhang MW, Gao SJ, Wang ZH, et al. Comparison of maximal slope method and deconvolution method in the post-processing of cerebral CT perfusion with 64-slice spiral CT[J]. Chin J Med Imaging Technol, 2009, 25(3): 505-508. DOI:10.3321/j.issn:1003-3289.2009.03.050 |
| [12] |
Cianfoni A, Colosimo C, Basile M, et al. Brain perfusion CT: principles, technique and clinical applications[J]. Radiol Med, 2007, 112(8): 1225-1243. DOI:10.1007/s11547-007-0219-4 |
| [13] |
Axel L. Tissue mean transit time from dynamic computed tomography by a simple deconvolution technique[J]. Invest Radiol, 1983, 18(1): 94-99. DOI:10.1097/00004424-198301000-00018 |