引导螺旋断层放疗用兆伏CT图像质量定量分析

黄宇亮，李晨光，毛 凯，武建安，戴甜甜，韩媛媛，吴 昊，王海洋，张艺宝△

(1. 北京大学肿瘤医院暨北京市肿瘤防治研究所放疗科，恶性肿瘤发病机制及转化研究教育部重点实验室，北京 100142； 2.中日友好医院放射肿瘤科，中日友好医院呼吸中心，国家呼吸疾病临床医学研究中心，北京 100029)

螺旋断层放疗系统(helical tomotherapy，TOMO)使用 3.5 MV光子配合氙气探测器实现兆伏CT(megavoltage computed tomography, MVCT)成像[1]，在靶区位置引导、自适应剂量重建[2]、患者运动管理[3]等方面具有广泛应用。相比较完善的治疗射束质控和机械精度监测体系[1]，临床对于MVCT的图像质量评估以观察伪影和配准精度为主[4]，存在较大主观性和间接性。作为唯一的成像模式，TOMO在图像引导方面对于MVCT的依赖度很高，但相对于kVCT[5]，MVCT的图像质量较差[3,6]，质控更加关键。对TOMO系统MVCT图像质量的定量分析有助于建立基于基线值的长期趋势分析，还可以通过量化不同扫描模式获取的图像质量为临床选择合适的成像条件提供数据参考[7]。本研究旨在定量分析TOMO系统3种MVCT扫描模式获取的2套模体图像质量，探索和验证螺旋断层放疗系统MVCT图像的半自动质控方法。

1 材料与方法

1.1 设备和模体

在中日友好医院的TOMO加速器上，分别使用螺距为4 mm、8 mm、12 mm/圈的Fine、Normal和Coarse模式，获取CatPhan504(The Phantom Laboratory, New York, USA)和Cheese(Gammex RMI, Wisconsin, USA)2种模体的MVCT图像。在激光灯辅助下，模体长轴与加速器中心轴在扫描过程中保持一致，不同模式下的扫描范围也保持一致，图像重建间距为1 mm。参照TG148报告[1]建议及Zarb等[8]对评估CT图像质量的报道，本研究重点分析空间分辨率、图像噪声、低对比度分辨率这3个影响放疗引导精度的MVCT图像质量关键参数。为减少主观因素导致的不确定性并实现半自动化分析，分析过程采用了3套方法。

1.2 基于Pylinac计算图像分辨率

Pylinac是一种提供TG142报告[9]相关加速器质控分析的免费软件[10]，本研究利用Python 3.7.0调用第三方库Pylinac中CatPhan504函数模块以分析所得CT图像，并对源代码做出如下调整和赋值：输入由说明书[11]查得的各模块与CTP404模块的相对距离，用于函数在自动搜索到CTP404参照图像后获得其他目标模块的位置并进行定量分析；根据库函数说明书的建议值，将低对比度分辨率模块的对比度噪声比(contrast-to-noise ratio，CNR)阈值赋为10[12]；调试各插件之间的偏角以使所有分析区域均在插件区域内并尽可能等圆心。该Python代码和CatPhan504模体被用于分析如下参数。

1.2.1空间分辨率 基于CTP528模块内呈圆形放射状分布的21对间距从0.500 cm递减到0.024 cm的铝制线对图像，模块的内部结构及各线对间距见图1，调用Pylinac库中的CircleProfile函数对其进行高斯滤波降噪后，基于模体各线对实际位置进行

粗带采样，绘制出CT值随采样点序号变化的曲线图。根据图像中每一条线对所在弧度区间的峰-谷个数以及峰值与谷值的差值来评估图像的空间分辨率。为保证评估方法的稳定性[13]，3种成像模式的计算过程采用了相同的像素矩阵大小(512×512)。

1.2.2低对比度分辨率 调用Pylinac库对3种模式获取的CTP515低对比度模块图像进行分析，使用公式(1)计算各感兴趣区(region of interest，ROI，即模块中的Supra-Slice)的CNR，称为low-contrastCNR。其中ROIpixel指感兴趣区的CT均值，background指背景区域的CT均值，ROIstdev指感兴趣区的CT值标准差，ROIdiameter指感兴趣区的直径。当CNR大于10(CNR阈值)[12]，则目标ROI可见，否则不可见。

(1)

图1 CatPhan504的CTP528模块内部结构及各线对间距Figure 1 The internal structure of CTP528 module in CatPhan504 and the gap size of each line pair

1.3 基于MATLAB评估图像噪声

将全部Cheese模体图像数据读入MATLAB后，使用dicominfo函数读取DICOM文件信息，定位由均匀性材料铸造的相同层面，得到3份512×512由双精度格式存储的矩阵。确定图像中半径为5 cm且与模块圆心距均为7.3 cm的左上、左下、右上和右下共4个ROI，并根据重建图像中距离-像素点个数比换算为矩阵中的目标区域。根据DICOM文件包含的重构截距与重构斜率将矩阵灰度值转换成CT值后，分别求得4个ROI的CT平均值(CT values, CV)， 根据公式(2)计算总体不均匀度，其中的IN代表总体不均匀度(integral non-uniformity)，CVmax和CVmin分别指4个ROI区域CT平均值的最大值和最小值。

(2)

1.4 基于Eclipse分析对比度噪声比

在满足区域没有CT值突变及选取位置尽可能相同条件下，使用Eclipse计划系统勾画CatPhan504的CTP404模块和Cheese模体的CT值测试模块等圆柱形插件及其局部背景区域。根据区域平均CT值及标准差，使用公式(3)计算CNR[14]，其中μ0和μ1分别是插件区域和其局部背景区域的平均CT值，而σ0和σ1分别是插件区域和背景区域的CT值标准差。

(3)

2 结果

2.1 空间分辨率

CatPhan504的线对区域，3种成像模式CT值随采样点序号变化的曲线见图2。

A, coarse; B, normal; C, fine.图2 CatPhan504的CTP528模块线对区域CT值随采样点序号变化曲线Figure 2 CatPhan504 CTP528 module line pair area, CT value as a function of sample point’s serial number

2.2 图像噪声

Cheese模体的4个ROI区域在3种成像模式下的CT值中位数、计算得到的总体不均匀度见表1。

2.3 低对比度分辨率

3种成像模式下，CatPhan504的低对比度模块自动分析结果均不可见，Eclipse所得CatPhan504与Cheese的CNR值随插件材料和成像模式的变化见图3和图4，其横坐标的材料顺序从左到右按照其与背景的CT值差异从小到大排列(背景CT值由目标圆柱形插件局部背景区域的平均CT值求得)。

表1 Cheese模体的图像噪声评估结果Table 1 Image noise evaluation results of Cheese phantom

LDPE， low density polyethylene; PMP, polymethylpentene.图3 CatPhan504模体的对比度噪声比计算结果Figure 3 Contrast-to-noise ratio of CatPhan504 phantom

图4 Cheese模体的对比度噪声比计算结果Figure 4 Contrast-to-noise ratio of cheese phantom

3 讨论

作为TOMO的MVCT标配质控设备，Cheese的数据相比于CatPhan504更具可靠性，但CatPhan504的图像质量分析自动化程度更高，可通过现有软件自动实现，而Cheese尚缺乏自动化图像质量分析软件，过程需要人为辅助进行，相比于前者分析过程较为复杂且引入了人为干扰,综合以上两点考虑，本实验用相同参数测了2套模体，在后续分析中选择性使用。

3.1 空间分辨率

客观评估了CatPhan504数据，Cheese的高对比度孔对插件尚缺乏相类似的客观评估法，常规方法是人为对该插件进行观测并得出结论[6]，但该方法较主观且结果重复性较差，本研究不采用。图2中，Coarse的前3个线对清晰但从线对4开始发生了明显混叠，而Normal和Fine的前4个线对均可清晰观测,并且图中表明Normal与Fine的线对辨识度相似，均为前4个线对清晰而线对5发生轻微混叠，故Normal与Fine的空间分辨率相似而Coarse相比于前2者较差。

3.2 图像噪声

选择3种扫描模式的Cheese模体数据，为了避免目标图像层不同而带来的误差，选择MATLAB进行数据分析而不使用Pylinac自动分析。此外，Cheese均匀性模块的中心处有圆形空腔，且模体沿过圆心的横、纵向直径可拆卸[15]，从而造成这2条线包含有空气,故将Cheese的ROI区域选择为左上、左下、右上和右下，而不是通常的上、下、左、右、中5个区域，IN的计算能够通过监测极端高/低量来表征图像的不均匀性，结果表明Coarse、Normal、Fine的图像噪声依次减小。

3.3 低对比度分辨率

由于CatPhan504的CTP515模块分析结果为低对比度可观测性均为0，即3种成像模式中，各Supra-Slice结构区域均未满足CNR检测阈值要求，此结果与医学物理师对该区域盲法观测结果相一致，故该评估方法失效。通过Eclipse计算2个模体插件模块区域的CNR进行量化评估，图3、图4显示有明显差别，但由于现有对TOMO的MVCT成像质控多采用Cheese模体，且图3中Air1与Air2为同种插件材料，但CNR结果波动较大，可能原因是CatPhan504插件模块数据质量较差，故Cheese的计算结果更可靠。3种成像模式所得图像的低对比度分辨率相近，且随着构造材料与局部背景CT平均差值的增大，插件的可观测性呈近乎线性增长。

虽然本研究并未直接使用基于临床的图像质量评估，所采用的图像质量评估方法与复杂多变的临床需求相比显得较为简单，但能使预测图像中简单结构的感知成为可能[16]，可为临床决策提供参考。

综上所述，本研究建立并验证了TOMO的MV级CT图像质量评估方法，并对系统的3种成像模式(Coarse、Normal和Fine)的图像质量进行了客观定量评估，发现3种成像模式在3个图像质量评估指标上并未呈现一致优劣性。临床上TOMO成像模式的选择可基于图像观测的需求，参考本文的评估结果，做出合理决策，相关图像质量评估工作也可参考本文的方法，定期进行相关质控测试，确保CT设备不偏离公认的标准，确保设备使用稳定性。