深度学习重建用于儿童头颅CT图像

魏伟安，易 婷，董 骁，蔡齐芳，何四平

(湖南省儿童医院放射科，湖南 长沙 410007)

利用CT重建算法可在尽量不降低图像质量和空间分辨率的前提下降低图像噪声。滤波反投影法(filtered back projection, FBP)计算简单且重建时间短，但CT图像质量随辐射剂量下降而降低[1]；全模型迭代重建(model based iterative reconstruction, MBIR)算法可于低剂量条件下获得高质量图像，但耗时较长[2]。混合迭代重建(hybrid iterative reconstruction, HIR)是临床应用最广的图像重建算法，与FBP重建时间相近而降噪效果更好，但高级别HIR图像可能出现“塑料样”及“蜡质”等伪影[3]。儿童身形较小，对辐射敏感，多采用低剂量CT扫描+薄层重建观察其解剖结构，导致图像噪声较高。基于深度神经网络(deep neural network, DNN)算法的深度学习重建(deep learning reconstruction, DLR)以高质量FBP数据为参考，经训练后可于原始数据中区分噪声并在不影响显示解剖结构和病变的前提下加以智能抑制，已用于多项体模研究并开始用于临床[4-5]。本研究与多模型自适应性迭代重建(adaptive statistical iterative reconstruction-V, ASIR-V)进行对比，观察DLR用于儿童头颅CT图像的价值。

1 资料与方法

1.1 一般资料 回顾性分析湖南省儿童医院2021年6月—12月接受头颅CT平扫的61例患儿，男34例、女27例，年龄1个月～10岁、中位年龄3.5岁；其中，外伤29例(蛛网膜下腔和/或硬膜下出血15例、头皮血肿11例、脑挫伤合并脑出血3例)，热性惊厥9例，鼻旁窦炎9例，脑室扩张8例，蛛网膜囊肿6例。排除标准：①颅内病灶位置较深等因素影响相关数据测量；②严重运动伪影。检查前监护人均签署知情同意书。

1.2 仪器及方法 采用GE Revolution CT 256排扫描仪。嘱患儿仰卧、头先进，对不能配合者予口服10%水合氯醛0.2 ml/kg体质量镇静；以听眦线为基线，采用轴扫模式，转速0.5 s/rot，扫描范围自颅顶至颅底，准直器宽度120～160 mm，管电压100～120 kVp，管电流200～300 mAs；之后分别采用ASIR-V0%、ASIR-V20%、ASIR-V40%、ASIR-V60%、ASIR-V80%、ASIR-V100%、DLR-low(L)、DLR-middle(M)及DLR-high(H)进行重建，层厚和层间距均为1.25 mm。

1.3 图像评估

1.3.1 客观评估 将图像传至AW4.7后处理工作站，由1名具有10年以上工作经验的放射科技师测量相关数据。选择显示颅后窝、基底核及半卵圆中心最大范围的三个轴位图像层面，分别于双侧小脑中脚、小脑半球、额叶白质、背侧丘脑、半卵圆中心和顶叶皮层放置约1 cm2ROI，测量其CT值并计算标准差(standard deviation, SD)，以双侧平均值为最终结果。计算信噪比(signal-to-noise ratio, SNR)和上述3个轴位层面的对比噪声比(contrast-to-noise ratio, CNR)；分别以显示基底核和颅后窝最大范围层面上的所有ROI的平均CT值SD为幕上和幕下图像噪声，计算ASIR-V100%和DLR-H图像最大降噪率(noise reduction rate, NRR)。记录CT容积剂量指数(volume CT dose index, CTDIvol)和剂量长度乘积(dose-length product, DLP)。

1.3.2 主观评估 由2名具有15年以上儿科影像工作经验的主任医师采用5分法对图像进行双盲法评分：1分，噪声严重，无法显示解剖结构，图像质量差，不能用于诊断；2分，噪声较多，显示解剖结构模糊且灰白质分界不清，图像质量较差，不能满足诊断需求；3分，中等噪声，可分辨解剖结构，图像质量中等，尚可用于诊断；4分，噪声较少，显示解剖结构细节较好，图像质量好，可用于诊断；5分，无明显噪声，清晰显示解剖结构，图像质量极佳，完全满足诊断需求。以2名医师评分的均值为最终结果。

1.4 统计学分析 采用SPSS 25.0统计分析软件。以±s表示正态分布的计量资料，采用随机区组方差行多组间比较，以Bonferroni检验或配对t检验行2组间比较；以中位数(上下四分位数)表示医师主观评分结果，行Friedmanχ2检验。采用Kappa检验评估观察者间评分结果的一致性：0.60≤Kappa<0.80为一致性高，Kappa≥0.80为一致性极高。P<0.05为差异有统计学意义。

2 结果

2.1 图像客观评分 CTDIvol为(17.17±4.34)mGy，DLP为(266.12±83.84)mGy·cm。随ASIR-V和DLR级别增高，小脑半球、小脑中脚、额叶白质、背侧丘脑、半卵圆中心和顶叶皮层SNR，以及颅后窝、基底核和半卵圆中心层面CNR基本呈升高趋势，而幕上和幕下图像噪声基本呈降低趋势；见图1～3和表1。DLR-H幕上及幕下NRR(0.62±0.04、0.61±0.04)均高于ASIR-V100%(0.59±0.04、0.59±0.05)，差异有统计学意义(t=4.436、4.368，P均<0.001)。

图2 患儿男，1岁2个月，脑挫伤合并脑出血、侧脑室积血引流术后，半卵圆中心层面CT重建图 A.ASIR-V0%； B.ASIR-V100%； C.DLR-H (箭示金属伪影) 图3 患儿男，10岁，头皮血肿，颅后窝层面CT重建图 A.ASIR-V0%； B.ASIR-V100%； C.DLR-H

表1 儿童头颅DLR和ASIR-V CT重建图像客观和主观评分对比

2.2 图像主观评分 随重建级别增高，ASIR-V图像主观评分基本呈先升后降趋势，以ASIR-V60%评分最高；DLR图像主观评分基本呈升高趋势，以DLR-H评分最高，且DLR-M和DLR-H图像评分均高于ASIR-V全部级别图像(P均<0.05，图1～3和表1)。DLR可有效减少CT图像金属伪影(图2)。

2.3 观察者间一致性 2名医师主观评分的一致性高(Kappa=0.741)。

3 讨论

相比成人，对儿童更应采用低剂量CT扫描方案[6]；但低剂量扫描虽仍可显示病变位置和范围，却使CNR明显下降，且受噪声和伪影干扰，导致其显示解剖细节、低对比度病灶和微出血灶不清[7]。深度学习TrueFidelity算法可对低质量CT图像进行训练并加以优化，在保留真实衰减数据的同时去除噪声，以获得近似于高质量FBP的输出图像；该算法可在保留图像纹理的同时有效抑制低频率噪声，弥补迭代重建的不足[1,4-5,8]。

GREFFIER等[8]的体模研究结果显示，DLR噪声频谱的平均空间频率明显优于ASIR-V，且DLR-H噪声频谱峰值和显示低对比结构均优于ASIR-V100%。临床常采用薄层重建，如迭代重建算法，以提高CT图像质量，达到一定级别后则需要通过降低图像空间分辨率而实现整体降噪，重建级别常采用40%～60%[9-10]；而DLR可在不牺牲图像质量的前提下实现逐步降噪[8]。SUN等[11]报道，0.625 mm薄层DLR-H头颅CT图像的空间分辨率和微病灶检出率均高于ASIR-V，且其主观评分与常规5 mm层厚ASIR-V50%图像相当。OOSTVEEN等[12]发现DLR图像质量不仅优于MBIR，且重建时间显著降低。本研究结果显示，儿童头颅CT图像的噪声均基本随DLR和ASIR-V级别增高而降低，且DLR-H幕上和幕下NRR均优于ASIR-V100%，而DLR-M和DLR-H图像的主观评分均高于ASIR-V全部级别图像，与KIM等[13]的研究结果基本一致。SAKAI等[14]通过观察下颌牙齿模型CT图像金属伪影，发现相比HIR结合MAR算法，DLR可更有效地减少金属伪影。本研究亦显示DLR可有效减少儿童头颅CT图像的金属伪影。另一方面，也有研究[15]发现，随DLR重建级别增高，肝脏小病灶检出率降低；提示需根据不同情况合理选择重建方案。

本研究的主要不足：①回顾性研究；②样本量小；③纳入患儿年龄跨度较大，而儿童大脑处于发育期，不同时期头颅CT图像表现有所不同；④未分析DLR对头颅病变的检出率和诊断准确性。

综上所述，DLR可在降低辐射剂量的同时有效提高儿童头颅CT图像质量。