人工智能优化算法对提高大体型患者低剂量扫描冠状动脉图像质量的价值

刘珮君， 王怡宁， 于敏， 王曼， 闫爽， 易妍， 徐橙， 王沄， 金征宇

心血管疾病(cardiovascular disease,CVD)已经成为全世界发病率和死亡率最高的疾病之一[1]。在我国，心血管疾病患病率及死亡率处于上升阶段，推算我国CVD现患病人数约2.9亿，其中冠心病患病人数约1100万，因此冠心病早期诊断及准确评估对于患者的有效防治及预后非常重要[2]。随着CT技术的不断发展，冠状动脉CT血管成像(coronary computed tomography angiography，CCTA)技术已日渐成熟并作为疑似冠状动脉疾病(coronary artery disease，CAD)患者首选的无创影像学检查方法广泛应用于临床[3-5]。以侵入性冠状动脉造影检查(invasive coronary angiography，ICA)为参考标准，CCTA对冠状动脉狭窄有很高的诊断价值，尤其对于低到中度冠状动脉疾病风险的患者，CCTA有较高的敏感度(95%～99%)及阴性预测值(97%～99%)，成为了筛查排除阻塞性CAD的可靠手段[6-8]。但是，CCTA检查用于大体型患者人群有局限性。当大体型患者行CCTA检查时，X线散射以及图像噪声的增加降低了图像质量，从而影响冠状动脉小血管及非钙化斑块的显示[9-11]。Brodoefel等[10]研究证实，大体型患者是影响冠状动脉图像质量的独立因素。同样的，Alkadhi等[12]研究证实，大体型患者会使CCTA检查的特异性及阳性预测值降低。在CT扫描中，大体型患者扫描通常需要增加管电压和管电流才能达到和正常体重患者一样的冠状动脉图像质量，但这样增加了患者的辐射剂量[13]。而低管电压扫描用于大体型患者似乎有些挑战，降低管电压会使得图像质量下降，比如噪声增加、伪影增多等。为了克服上述问题，迭代重建(iterative reconstruction，IR)被引入临床。相比于传统的滤波反投影(filtered back projection，FBP)算法，IR算法通过降低图像噪声及抑制伪影产生，提高冠状动脉图像质量和诊断准确性。Sun等[14]研究证实100 kV管电压联合迭代重建算法用于身体质量指数(body mass index，BMI) 26～30 kg/m2患者，其冠状动脉图像具有诊断价值。然而，IR算法也其限制性，需要较长的处理时间以及足够的投影数据[15]。

随着深度学习技术的飞速进展，基于卷积神经网络(convolutional neural network，CNN)的人工智能(artificial intelligence，AI)优化算法逐渐深入影像学的各个领域，比如处理CT中常见的噪声增加和细节丢失等问题，从而提高图像质量[16-18]。本研究的目的是通过将AI图像优化技术及迭代重建算法结合在一起用于提升大体型患者的冠状动脉的图像质量，并初步探讨其临床应用价值。

材料与方法

1.研究对象

前瞻性纳入2018年2月-5月28例临床上疑似有冠状动脉疾病的大体型患者(BMI>26 kg/m2)[19]进行CCTA扫描。排除标准：严重肝肾功能不全，对比剂过敏，严重心律不齐，失代偿性心功能不全，孕妇或哺乳期妇女及冠状动脉旁路移植术后患者。本研究经伦理委员会批准，所有患者签署知情同意书。共纳入28例患者，男17例，女11例，年龄41～69岁，平均(58.5±7.4)岁。

2.检查方法

①图像采集与重建：采用东软医疗NeuViz 128 CT心电门控前瞻性步进扫描。患者取仰卧位，扫描范围从气管分叉下方1 cm至心脏膈面水平。CT扫描参数：管电压100 kV、应用基于定位像的自动管电流调制[参考电流210 mAs，管电流(233.4±46.7) mAs]，旋转时间0.35 s，螺距0.23，层厚及层间距均为0.625 mm，重建矩阵512×512，准直128×0.625 mm，滤波参数为Cardiac 20，迭代算法ClearView+50%。所有患者于右侧肘前静脉开通静脉通路，采用双筒高压注射器(美国Mallinckrodt Optivantage V5)及18G套管注入对比剂和生理盐水。注射方案：对比剂采用碘帕醇(370 mg I/mL，上海博莱科信谊药业有限公司)60 mL，注射流率4 mL/s，对比剂注射完成后以相同流率追加注入40 mL生理盐水。应用对比剂智能追踪技术触发扫描，监测点位于降主动脉(膈肌平面)，触发阈值设置为180 HU，达阈值延迟6 s后触发扫描。所有心率大于70次/分的患者扫描前60分钟口服倍他乐克25～50 mg，无硝酸甘油禁忌症者于扫描前3 min舌下喷硝酸甘油0.5～1.0 mg。所有的患者扫描前严格训练呼吸。

②AI图像优化技术的原理及图像后处理：将重建层厚1.0 mm、重建层间距0.5 mm的原始数据传至东软医疗AVW 1.0.8专业工作站进行AI图像优化处理和心脏重建后处理。

AI图像优化处理的原理：利用生成对抗网络(generative adversarial networks，GAN)实现低剂量CT图像的降噪过程。此技术以再生数据域通过常规剂量优质图像质量CCTA增加高斯噪音的方式模拟低剂量高噪声的图像作为训练数据输入，把对应的相同组织结构的常规剂量优质图像质量的CCTA图像作为学习对象，通过基于深层神经网络的深度学习方法得到定制化噪声模型，即可精确地将噪声与图像分离。将待优化目标图像即A组图像载入此模型，得到优化后B组低噪声图像。此过程中应用生成对抗网络及损失函数评价模型的预测值与真实值的不一致程度，从而选取最优化模型。GAN是一种具有特定网络结构的CNN，它包含两个CNN网络，一个叫做生成网络G(Generative Network)，另一个叫做判别网络D(Discriminative Network)。在GAN训练过程中，G网络与D网络类似于一种博弈过程，在G和D不断的博弈过程中，G网络输出的去噪结果越来越好，最终完成训练过程。在进行图像优化过程中，只需要正向传递处理模型，不再需要耗时复杂的迭代计算，就可以快速准确得到图像处理结果，大数据训练得到的噪声模型在对噪声得到精确处理的同时，可以最大限度保留图像的真实细节。

对A组和B组图像进行心脏后处理重建，重建图像包括多平面重组(multi planer reconstruction，MPR)、最大密度投影(maximum intensity projection，MIP)、曲面重组(curved planar reconstruction，CPR)以及容积再现(volume rendering，VR)图像。

3.图像质量分析

①客观分析：采用原始横轴面图像，对A组及B组图像的相同层面同时进行测量，在主动脉根部、左主干开口、左前降支中段、左回旋支中段及右冠状动脉中段选取不同的兴趣区，保证兴趣区尽可能大，但不包括血管壁、钙化及斑块。分别测量这些层面相应血管的CT值，测量血管周围脂肪组织的CT值，其CT值的标准差定义为图像噪声，并通过计算得到信噪比(signal to noise ratio，SNR)和对比噪声比(contrast to noise ratio，CNR)。冠状动脉SNR、CNR计算公式[20]如下，SNR=各段血管的CT值/图像噪声；CNR=(各段血管CT值-血管周围脂肪组织CT值)/图像噪声。

②主观分析：采用美国心血管CT协会最新推荐的18分段标准改良分段法[21]，将冠状动脉分为18个节段，闭塞血管以远段及支架所在段不计入分析。采用冠状动脉图像质量Likert 4级评分法[22]，相应评分为1～4分，分级标准为：1级，血管强化优异，边界清晰，无阶梯样伪影及血管中断；2级，血管强化良好，边界略模糊，有轻度伪影，节段略模糊；3级，血管强化一般，边界模糊，有中度伪影，但没有血管中断；4级，血管显示不清或有中断，有严重的阶梯样伪影。将图像质量评为1～3级的血管定义为可评估血管，图像质量评为4级的血管评为不可评估的血管。由两名工作经验5年以上的影像科医生不知道客观分析结果的情况下对图像进行评估，评分不一致时，请第3名影像科专家对图像质量进行分析，最后得出结论。

4.有效辐射剂量

通过CT扫描自动计算得到CT剂量指数(CT dose index，CTDIvol), 剂量长度乘积(dose length product，DLP)，有效剂量(effective dose，ED)=k×DLP(k=0.014 mSv/mGy·cm)[23]。

5.统计学分析

所有数据采用SPSS 20统计学软件进行统计学分析。连续变量采用均值±标准差，分类变量用频数表示。服从正态分布计量资料的组间比较采用配对t检验，不服从正态分布计量资料的组间比较采用Wilcoxon秩和检验。以P<0.05为差异具有统计学意义。

结 果

1.患者的基本信息

患者BMI为(29.31±3.19) kg/m2，CTDIvol为(10.6±0.9) mGy，DLP为(167.8±26.2) mGy·cm，ED为(2.3±0.4) mSv(表1)。

表1 患者的基本信息

图1 男，54岁，BMI为32.49kg/m2。a～c是A组图像，d～f是B组图像。a) 冠状动脉MPR图像，主动脉根部的CT值为536.4 HU，噪声为37.2 HU，SNR为14.42，CNR为16.06； b) 左前降支CPR图像； c) 冠状动脉VR图像； d) 冠状动脉MPR图像，主动脉根部的CT值为538.2 HU，噪声为11.3 HU，SNR为47.63，CNR为52.48； e) 左前降支CPR图像； f) 冠状动脉VR图像。B组图像的噪声明显低于A组，且图像质量客观指标(SNR、CNR)优于A组。

2.冠状动脉图像分析

A组和B组主动脉根部CT值差异无统计学意义[(498.59±62.49)HU vs. (497.21±62.41)HU，t=0.083，P=0.934]。B组图像主动脉根部噪声明显低于A组图像(9.50±2.27 vs. 30.04±8.51，t=16.537，P<0.001)，B组图像主动脉根部的SNR明显优于A组图像(55.82±17.71 vs.18.47±7.67，t=-17.099，P<0.001)，另外B组图像主动脉根部的CNR也明显优于A组图像(71.62±45.10 vs. 24.10±10.86，t=-6.938，P<0.001)，见图2。其余客观图像质量参数见表2。

表2 A组和B组冠状动脉客观分析结果

注：AO为主动脉根部；LM为左主动脉；LAD为左前降支；LCX为左循环支；RCA为右冠状动脉。

A组和B组冠状动脉图像主观评分结果见表3。28名患者冠状动脉节段共有360个，A组和B组图像可评估冠状动脉节段均为350个(97.22%)，但B组平均主观图像质量评分明显优于A组图像(1.66±0.27 vs. 1.82±0.20，t=5.224，P<0.001)。

表3 A组和B组冠状动脉图像质量主观评分比较

讨 论

本研究采用前瞻性步进、100 kV管电压、管电流调制等低剂量技术联合Clearview+迭代重建及AI图像优化技术用于大体型患者冠状动脉CTA扫描。结果显示，此方案可明显降低大体型患者冠状动脉的图像噪声，改善冠状动脉的图像质量。同时，患者接受的有效辐射剂量仅为(2.3±0.4) mSv。

CCTA作为疑似冠心病患者的首选影像学检查方法广泛应用于临床实践，但是目前大部分CCTA的研究是基于正常体重的患者，大体型患者CCTA检查一直存在挑战，因为大体型患者皮下增厚的软组织会引起更多的光子衰减导致图像噪声的增加。同时，大体型患者因血液分布的变化会造成达峰时间血管乳化差，从而使血管内对比剂显影差。因此，CCTA扫描时，大体型患者的冠状动脉图像质量会降低[12,24]。为了弥补因患者高BMI导致的冠状动脉图像质量的降低，目前主要方法有增加管电压等，研究表明使用上述方法虽然可以提高冠状动脉的图像质量，但同时也增加了患者接受的辐射剂量和降低了图像的时间分辨率[11]。以前CCTA研究证实大体型患者接受的辐射剂量是15.6～22 mSv[11,25]。此研究患者BMI范围26.12～36.20 kg/m2，辐射剂量仅为(2.3±0.4) mSv。降低管电压可以降低患者的辐射剂量，但降低管电压会使得图像质量下降，比如噪声增加，伪影增多等。通过改进图像重建算法来改善图像质量已成为新的研究方向。相比于传统的滤波反投影算法，迭代重建算法作为一种新的重建方法，可以通过降低图像噪声提高图像质量[14,26]。Gebhard等[26]研究用64层探测器比较了70个大体型患者使用迭代重建和滤波反投影技术后的冠状动脉图像质量(每组35个)。结果显示，迭代重建算法可以明显提高大体型患者冠状动脉图像质量。此研究通过将AI图像优化技术及迭代重建算法结合在一起评价大体型患者的冠状动脉图像质量。相比于迭代重建技术，AI图像优化技术本质是用卷积神经网络来学习低剂量CT图像的噪声模型，进而实现噪声与图像的分离，并保证在此过程中图像细节不会明显丢失，从而降低患者辐射剂量的同时，所得到的图像依然能够满足临床需求。与此同时，AI优化避免了手动设置经验参数的过程，而是从数据中直接学习出最优的参数，相比于迭代算法采用的通用型、经验噪音模型，这种定制化噪声模型往往会得到更好的结果[27]。此研究结果显示：相比于单独的迭代重建算法(A组)，利用AI图像优化技术联合迭代重建(B组)主动脉根部的噪声降低68.36%，SNR和CNR分别提高了202.22%和197.18%，同时利用AI图像优化技术联合迭代重建(B组)的主观图像质量评分也优于A组。此外，此AI图像优化技术弥补了迭代算法厂家专一性的缺陷[28]，直接对CT图像域进行去噪，解决了使用者难以直接获取的CT扫描仪中间投影数据的问题[18]。

图2 女，53岁，BMI为28.41 kg/m2。a～c是A组图像，d～f是B组图像。a) 冠状动脉MPR图像，主动脉根部的CT值为575.8 HU，噪声为28 HU，SNR为20.56，CNR为23.80； b) 左前降支CPR图像； c) 冠状动脉VR图像； d) 冠状动脉MPR图像，主动脉根部的CT值为572.4 HU，噪声为9.2 HU，SNR为62.22，CNR为71.67； e) 左前降支CPR图像； f) 冠状动脉VR图像。B组图像的噪声明显低于A组，且图像质量客观指标(SNR、CNR)优于A组。

随着AI技术的发展，基于深度学习的AI目前已经应用于临床各个阶段，包括病灶检测、病理诊断以及术后预测等[29-30]。在医学影像方面的应用也已经从最成熟的肿瘤领域拓展到非肿瘤影像诊断[31]。在AI图像优化技术的同类研究中，Chen等[28]基于CNN的深度学习算法可以改善腹部的低剂量CT的图像质量。赵莹等[16]研究得出深度学习的像素闪烁算法(pixel shine，PS)可提升高体质质量指数(BMI≥25 kg/m2)患者低剂量腹部CT平扫图像质量。PS同样是一种基于深度学习的低剂量图像改善的重建算法，将低剂量高噪音的图像和相应的高剂量低噪音进行配对训练并学习其相关性。此类AI图像优化技术的研究都局限于2D轴位图像重建[28]，不能满足全方位观察CT图像的需求。王明等[27]研究证明东软医疗自主研发研发的人工智能图像优化技术可以很好的观察主动脉三维后处理图像，联合ClearView+迭代算法，使“双低”扫描可以获得和常规扫描同样的图像质量，并且有效地降低了辐射剂量和对比剂用量。此外，此AI图像优化技术应用了最新的GAN深度学习模型，尽可能保证其优化后图像的真实性。Wolterink等[32]研究同样证实GAN深度学习模型的对抗性反馈训练可以生成与常规剂量CT图像质量相当冠状动脉CT钙化积分图像，并且所进行的反馈训练阻止了图像的平滑处理，允许在CT钙化积分扫描中更精确地量化钙化斑块。

此研究亦存在一些不足之处，首先入组病例少，存在选择偏倚。其次，缺乏和120 kV常规数据进行对照。最后，本研究只分析了冠状动脉图像质量的主观和客观评价，没有和有创冠状动脉造影“金标准”对照分析该技术的诊断准确性，未来将进一步扩大样本量，研究这项技术的诊断准确性。

综上所述，通过将AI图像优化技术及迭代重建算法相结合评价大体型患者冠状动脉的图像质量，结果显示AI图像优化技术可以有效提高冠状动脉的图像质量，为大体型患者冠状动脉扫描提供了新思路及新方法。