VMI+联合人工智能辅助诊断系统对颅内动脉瘤诊断价值的研究

韦鑫，陈维娟，邓昊，余菡，曹闻挺，陈金华，刘杨

1.重庆医科大学附属第二医院 放射科，重庆 400010；2.重庆医科大学 医学影像技术系，重庆 400010

引言

头颈CT血管成像（CT angiography，CTA）作为目前诊断颅内动脉瘤（Intracranial Aneurysm，IA）临床应用最广的一项影像技术，其敏感度达93.3%，特异度达87.8%，甚至可以检出直径1.17 mm的动脉瘤[1]。然而，由于颅底骨质较厚，血管与颅骨贴合紧密，常规CT扫描存在CT值漂移和衰减平均效应，导致图像质量降低，细小动脉显示不佳，影响头颈CTA对血管的有效评估[2]。双能量CT（Dual-Energy CT，DECT）作为新一代影像检查技术，不仅在减少颅骨伪影、微小动脉瘤检测和降低辐射剂量方面相对常规CT具有一定优势[3]，还能通过能级匹配技术优化图像质量[4]。其虚拟单能量图像（Virtual Monoenergetic Imaging Plus，VMI+）技术能实现任意单能量图像重建，获得血管与周围组织最佳对比的单能图像，有效显示血管和周围组织的强化差异，从而获得高质量的CTA图像[5]。另外，颅内动脉瘤的CTA诊断主要依靠影像科医师的经验，由于颅内血管结构复杂，人工读片漏诊、误诊频发[6]。近年来，随着深度学习的兴起，人工智能（Artificial Intelligence，AI）已广泛应用到医疗领域，有效提高了工作效率和诊断准确率，促进精准医学在医学影像的广泛应用[7-10]。而国内关于AI在头颈CTA IA的应用研究较少，因此本研究旨在初步探究VMI+技术不同虚拟能级在AI辅助诊断系统诊断IA检出中的应用价值。

1 材料与方法

1.1 一般资料

回顾性收集本院于2020年8月1日至9月30日就诊的41例临床怀疑为IA患者。其中男11例，女30例，年龄34～84岁，平均（59.9±11.1）岁。主要临床表现为突发剧烈头痛、头晕、呕吐、肢体乏力或意识丧失等。排除标准：① 有血管内介入栓塞术、开颅手术等手术史；② 临床资料或CTA资料不全面；③ 碘过敏、肾功能不全患者。本研究无伦理问题存在，所有患者均签署知情同意书。

1.2 仪器与方法

头颈CTA检查采用西门子第三代双源CT（SOMATOM Definition Force，Germany）。扫描参数：管电压90/Sn150 kV，CAREDose 4D管电流自动调制技术，螺距0.7，层厚1.0 mm，层间距0.7 mm，重建成分轴为0.6。所有患者于右侧肘前静脉预埋18 G留置针，采用双筒高压注射器注入对比剂和生理盐水。注射方案：采用非离子型造影剂碘普罗胺注射液（优维显，370 mgI/mL）40 mL，注射流率4.5 mL/s，对比剂注射完成后以相同流率追加注入30 mL生理盐水。使用对比剂智能追踪技术触发扫描，监测点置于主动脉弓区域，触发阈值100 HU。

1.3 图像处理与分析

将90 kV和Sn150 kV图像上传至Syngo Via工作站，使用VMI+软件获得9组虚拟单能量图像（能级为40～120 keV，间隔为10 keV）。将9组虚拟单能量组和标准线性融合组（F_0.6，相当于加权120 kV图像）共10组图像上传至Cerebral Doc头颈AI智能辅助诊断系统进行自动图像后处理及动脉瘤诊断。

（1）客观评价：将10组重建图像上传至Syngo Via工作站，由1名5年以上神经放射学工作经验的医师使用复制、粘贴功能将大小为15 mm2的圆形ROI分别置于10组图像颈总动脉分叉处和皮下脂肪，避开假牙伪影、骨质、钙化等影响结果的部位，分别测量CT值（HU）及标准差（Standard Deviation，SD）值，为避免测量误差，重复测量3次，取平均值为最终结果。用皮下脂肪的标准差SD表示图像噪声。图像信噪比（Signal to Noise Ratio，SNR）和对比噪声比（Contrast to Noise Ratio，CNR）的计算公式为：SNR=CT颈动脉/SD脂肪，CNR（CT颈动脉-CT脂肪）/SD脂肪。

（2）主观评价：将标准线性融合（F_0.6）组图像上传至PACS工作站，由2名5年以上神经放射学工作经验的医师采用双盲法分析，诊断有无动脉瘤，意见不统一时经共同讨论达成一致，最终结果由1名10年以上神经放射学工作经验的副主任医师进行审核。

1.4 统计学分析

采用SPSS 25.0统计学软件进行统计学分析。计量资料用（±s）表示，计数资料用例数或百分比表示。以最终审核结果为参考标准，AI辅助系统联合标准线性融合（F_0.6）及VMI+对动脉瘤诊断效能的比较采用配对χ2检验。10组图像的CT值、SNR和CNR采用配对Wilcoxon秩和检验进行统计分析。以P<0.05为差异有统计学意义。

2 结果

2.1 定性分析

41例患者中有22例最终诊断结果为IA，共26个动脉瘤，其中单发19例，多发3例。10组CTA图像AI辅助诊断平台动脉瘤检出情况如表1和图1所示，AI在40、110、120 keV组检出准确率明显低于高年资医师，差异均具有统计学差异（P<0.05）。AI在50～100 keV、F_0.6组和高年资医师具有相当的检出效能，差异均无统计学意义（P>0.05），且50 keV受试者工作特征（Receiver Operating Characteristic，ROC）曲线下面积最大，为0.796（P=0.001）（ 图2）。

表1 10组CTA图像AI辅助诊断平台动脉瘤检出情况[n=45，n（%）]

图1 某位患者CTA图像AI辅助诊断平台动脉瘤检出情况

图2 标准线性融合（F_0.6）组和VMI+（40～120 keV，间隔10 keV）组的ROC曲线

2.2 定量分

10组图像中，VMI+重建图像40～120 keV组CT值、SNR和CNR依次递减（图3）。相较于F_0.6组，CT值方面，40～60 keV组均明显高于F_0.6组（P<0.05），70～120 keV组均低于F_0.6组（P<0.05）；SNR方面，40 keV和50 keV组均明显高于F_0.6组（P<0.05），60 keV组与F_0.6组之间的差异无统计学意义（P=0.084），70～120 keV组均低于F_0.6组（P<0.05）；CNR方面，40 keV和50 keV组均明显高于F_0.6组（P<0.05），60 keV组与F_0.6组之间的差异无统计学意义（P=0.399），70～120 keV组均低于F_0.6组（P<0.05）。

图3 标准线性融合（F_0.6）组和VMI+（40～120 keV，间隔10 keV）组图像

3 讨论

IA的发病率仅次于缺血性脑卒中和脑出血，在普通人群中发病率约为3%～5%，发病高峰为55～60岁，早期发现、早期治疗、及时干预可明显降低致死率和致残率[11]。头颈血管成像已成为最常用的头颈血管性病变的筛查技术与诊断方法，可快速、准确、全面、直观地为诊断提供解剖病理信息，可作为检出动脉瘤的首选方法，替代有创的DSA检查[12]。

DECT通过两个不同扫描参数的球管独立进行扫描，同时获取两组不同能量的扫描数据，经过标准线性融合，将60%低能量数据和40%高能量数据融合生成一组F_0.6图像，以模拟单球管120 kV时扫描数据，并且可以通过VMI+技术重建一系列不同虚拟能级的图像。黄瑞岁等[13]研究证实了在低keV成像时，碘离子能谱衰减曲线与X线相近，光电效应的作用增强，能够增加病灶、血管与周围组织的CNR，更好地观察组织细节。本研究结果表明相较于标准线性融合，40 keV组和50 keV组具有更高的CT值、SNR和CNR，60 keV组具有更高的CT值和相似的SNR和CNR，与以往研究结果[2,14-15]基本一致。

AI辅助诊断随着深度学习的神经网络算法和硬件设备支持的快速发展，AI在IA的筛查、诊断方面也取得了一定的进展。Park等[16]通过研究三维卷积神经网络（Convolutional Neural Networks，CNN），开发并应用神经网络分割模型在头部CTA图像上精准分割IA，其敏感度达到94.9%。Nakao等[17]利用三维数据的多角度投影，基于CNN和MIP算法，得到了94.2%的敏感度，证实了CAD系统在检测IA的有效性。同时，Ueda等[18]采用ResNet-18网络，训练并验证了683例748个动脉瘤MRA样本，得到了93.0%的敏感度，表明深度学习能以较高的敏感度检出IA并改善放射医师对动脉瘤的检出。本研究的方法是基于V-net网络和3D U-net网络分别进行骨分割和血管分割，确保血管精准提取，精准去骨，实现头颈动脉血管的完整显示，并能识别提取IA模型，有效检出和评估IA[19]。此次研究通过AI自动识别并诊断的41例头颈CTA图像，能清晰地显示各级血管，并准确检出IA。与高年资诊断医师相比，AI在50～100 keV及F_0.6图像下均能有效检出IA，检出率最高可达78%，表明AI能准确检出动脉瘤，与高年资诊断医师的检出结果无差异，且可以为影像科医师提供更多客观和定量信息来辅助诊断。通过分析笔者发现当CT值过高（如40 keV组）或者CT值过低（如低于110 keV以上组）时，AI对头颈血管无法准确识别，无法进行IA的准确诊断。因此进行头颈CTA检查时，需要注意避免引起CT值过高或过低的影响因素，如注射速率、对比剂用量、延迟时间等。除此之外，还可进一步优化AI的参数设置，提高40 keV时的诊断符合率，以获得更高SNR和CNR图像。另外笔者发现AI对动脉瘤的误诊原因主要是将动脉血管起始部局限性膨大或将血管壁较大突起斑块误认，而漏诊主要是由动脉瘤过小或分割过度，将部分管壁和骨质一起分割除去导致。

本研究的不足在于：① 未以DSA作为金标准进行对比；② 未对IA的位置、形态和大小进行评价；③ 本次研究发现该AI系统对血管的命名与患者检查体位有关，如患者体位发生偏移，AI将无法准确识别血管分段；④ 本次研究结果的验证集主要来自我院41例患者数据，数据量还不够大，且数据样本来源单一，因此诊断效能会受到一定影响。本研究后续将进一步纳入已取得DSA结果的病例，基于VMI+针对AI对IA位置、形态、大小进行对比研究，对该智能辅助诊断系统将进行更深入的系统验证，以进一步证实基于VMI+的AI在头颈CTA IA的诊断价值。

本研究结果初步表明VMI+联合AI辅助诊断系统能较准确地检出IA，具有较高的诊断效能，具有重要的临床应用价值，50 keV重建能够显著提高CTA图像质量，具有最佳诊断效能，推荐其为最佳重建能级。