探讨深度学习重建算法在低剂量CTU检查中的应用价值

王旭 刘磊 刘义军 李贝贝 范勇 童小雨 王诗耕 陈安良

CT尿路造影（computed tomography urography，CTU）是通过静脉注射对比剂后，利用肾脏的代谢功能，使肾盂、肾盏、输尿管及膀胱充盈对比剂，通过CT扫描，三维处理后获得整个泌尿系立体图像的技术［1］。该技术与静脉尿路造影（intravenous urography，IVU）相比，简单易行，患者接受度高，但是CT扫描范围较大，辐射剂量较高，如何平衡辐射剂量、图像质量、诊断性能是研究的热点与难点［2］。利用CT图像重建算法间接降低辐射剂量是可行的主要方向之一，且对于CTU检查，器官与周围组织为高对比，这也使进一步降低CTU辐射剂量成为可能。随着人工智能的发展，机器学习在医学领域应用广泛，深度学习类算法应运而生。张钦和等［3］探讨了基于人工神经网络模型的像素闪烁算法（pixel shine，PS）在低剂量CTU检查中的应用价值。深度学习（deep learning，DL）重建算法采用了更为先进的深度神经网络（deep neural network，DNN），正逐步用于临床，但在CTU检查中的应用缺乏研究。因此本研究旨在探讨最新的DL算法在提高低剂量CTU图像质量同时保证诊断效能的应用价值。

方法

1. 临床资料

将2022年4月—2022年5月于我院行CTU检查患者共60例纳入研究，男39例，女21例，年龄37～87岁，平均年龄（63.0±13.3）岁，记录患者身高、体重，并计算体重指数（body mass index，BMI）。排除标准：碘对比剂过敏者；肾衰竭及其他急危重症的患者；不能憋尿配合检查者。按照就诊时间将患者分为A组和B组：A组，2022年4月就诊，共30例，男21例，女9例，平均年龄（62.5±13.1）岁，BMI为（25.61±3.71）kg/m2，常规扫描方案；B组，2022年5月就诊，共30例，男18例，女12例，平均年龄（63.8±14.0）岁，BMI为（25.26±2.74）kg/m2，低剂量扫描方案。本研究经医院伦理委员会批准，所有患者均签署知情同意书。

2. CT检查方法

患者行CTU检查前均已完成泌尿系三期增强，嘱患者不喝水、不排尿、不离开，间隔半小时后行CTU检查。应用联影uCT760进行扫描，患者仰卧位，头先进，扫描范围为肾上级至耻骨联合下缘。A组：120 kV，固定100 mA，KARL（keep artifact really low， KARL）5级迭代算法重建；B组：120 kV，剂量调制1（自动管电流调制技术的剂量等级从低到高有1到5级，腹部常规剂量等级为3级，1级的管电流约为3级的30%），DL4算法重建（DL算法共有1～4个等级，等级越高，降噪效果越强）。其余扫描参数相同：探测器宽度40 mm，螺距0.9875，转速0.5 s/r，扫描层厚5 mm，重建层厚1 mm，矩阵512×512，标准算法（B_SOFT_B）。记录患者扫描长度，容积CT剂量指数（CTDIvol）、剂量长度乘积（DLP），并计算有效辐射剂量（ED）=DLP×k，其中k为腹部权重因子，k值取0.015 mSv/（mGy·cm）。

3. 图像分析

所有重建图像均传送至uCT-760128 CT图像后处理工作站进行重组，重组方式包括包括容积再现（volume rendering， VR）和最大密度投影（maximum intensity projection， MIP）图像。

3.1 图像客观评价

对轴位图像进行观察测量，将造影剂充盈的肾盂及输尿管作为观察对象。测量肾皮质、肾盂、输尿管、左侧椎旁肌的CT值和标准差（SD）值，分别测量上、中、下3段输尿管，并取其平均值，测量时尽可能将图像放大，尽量选择面积最大的输尿管层面来测量。各感兴趣区（ROI）放置避开病变区，每个ROI测量3次，取其平均值，以左侧椎旁肌SD值作为背景噪声值，计算各感兴趣区SNR和CNR：SNR=ROIn/SDn，CNR=（ROIn-ROI背景）/SD背景，其中ROIn、SDn代表感兴趣区域CT值的平均值、标准差。

3.2 图像主观评价

由2名具有5年以上诊断经验的放射科医师采用双盲法对A、B组轴位图像及重组图像行5分制评分，评分标准如下。二维图像：图像基本无噪声，几乎无伪影为5分；图像噪声较小，少量伪影为4分；图像中等噪声，轻度伪影为3分；图像噪声较大，中度伪影为2分；图像噪声很大，伪影明显为1分。三维图像：观察图像中肾盏、肾盂、输尿管和膀胱解剖结构的显示情况［4］，具体方法如下。5分：解剖结构显示非常清晰，病灶形态结构非常清晰，诊断信心佳；4分：解剖结构显示清晰，病灶形态结构清晰，诊断信心高；3分：解剖结构显示较为清晰，病灶形态结构欠清晰，不影响诊断；2分：解剖结构显示不清，病灶形态结构模糊，诊断受限；1分：解剖结构无法显示，病灶形态结构不清晰，无法诊断。评分≥3分符合临床诊断要求。基于患者泌尿系三期检查对病变征象进行分析，二维图像评估肾脏占位征象，CTU评估的显示征象［5］为肾盂肾盏积水扩张、输尿管扩张、膀胱占位。

4. 统计学分析

应用SPSS 24.0统计软件对数据进行统计分析。符合正态分布的计量资料采用均数±标准差（±s）表示，组间比较采用独立样本t检验；不符合正态分布的计量资料采用中位数（四分位间距）表示，组间比较采用Mann-WhitneyU秩和检验。计数资料以例数比表示，组间比较采用χ2检验。2名放射科医师对图像主观质量评分一致性采用Kappa检验。P＜0.05为差异有统计学意义。

结果

1. 患者基本资料比较

2组患者性别比例、年龄、BMI及扫描长度差异均无统计学意义（均P＞0.05）。详见表1。

表1 患者基本资料

2. 客观比较结果

2组肾皮质SNR、CNR，肾盂CNR，输尿管CNR及噪声SD值差异有统计学意义（P＜0.05），B组均高于A组；肾盂SNR和输尿管SNR差异无统计学意义（P＞0.05）。详见表2。

表2 2组图像质量客观指标比较

3. 主观比较结果

2位观察者对二维和三维重组图像主观评分的Kappa值为0.838～0.918（P＜0.05，表3）。B组二维图像评分高于A组，差异有统计学意义（P＜0.05），三维图像质量两组差异无统计学意义（P＞0.05），均≥3分。符合临床诊断要求（图1、2）。

图1 典型病例1影像男，66岁，BMI 23.31 kg/m2，常规剂量扫描。A和B为二维轴位图（肾门和膀胱层面，背景噪声为17.4），C为三维重组VR图，D为三维重组MIP图。

图2 典型病例2影像女，66岁，BMI 23.42 kg/m2，低剂量扫描。A和B为二维轴位图（肾门和膀胱层面，背景噪声为9.0），C为三维重组VR图，D为三维重组MIP图。

表3 2组二维图像及三维后处理图像主观评分比较

4. CTU征象显示

2组患者共60例均在CTU检查前完成了泌尿系三期增强检查。参照三期增强图像，对病变征象进行评价，除A组1例膀胱占位CTU显示与三期增强显示不一致外，2组其余征象、肾脏占位征象显示率均为100%，与三期增强均一致。详见表4。

表4 2组CTU征象显示比较

5. 辐射剂量比较

B组较A组CTDIvol降低43.59%，DLP降低41.81%，ED降低41.93%，差异均有统计学意义（P＜0.05，表5）。

表5 2组辐射剂量比较

讨论

CT图像重建算法的发展与应用为临床探索低剂量CT成像提供了更广阔的空间［6］。自CT诞生以来，一直采用滤波反投影算法（filter backup projection，FBP），FBP在低辐射剂量下空间分辨率较差，存在明显噪声和条纹伪影，图像质量不佳。迭代算法逐渐发展，已作为临床常规扫描参数［7-8］。本研究所采用的KARL算法是一种基于投影域的迭代降噪技术，该算法具有9个等级，降噪效果随等级升高而增强，但在高权重情况下图像会出现“塑料化伪影”。参考相关文献［9］，本研究选用KARL 5级对对照组图像进行重建。目前，DL图像重建算法在CT低剂量成像方面展现了更大的优势［10］。DL算法以高剂量下的FBP图像作为训练模型，对低剂量图像进行校正和优化，可获得出色的图像质量，提升影像医生的诊断信心［11］。

本研究A组采用的固定100 mA，与常规三期增强（采用的剂量调制为3，平均160 mA）剂量相比，已经进行了剂量下调，固定毫安未采用剂量调制2级是为了降低辐射剂量，剂量调剂技术会通过扫描定位图像确定相应部位扫描剂量曲线，开启后由于全腹组织结构特点，整体平均剂量会高于100 mA。B组采用了最低剂量调制等级（1级），管电流约为剂量调制3级的30%，平均57 mA，因此为了保证低剂量图像可用于诊断，本研究采用了DL算法最高等级（4级）降噪。研究结果显示与A组相比，噪声下降了48%，肾皮质SNR明显增加。但2组间肾盂和输尿管的SNR值差异无统计学意义，可能是患者多存在泌尿系疾病，对比剂在人体内代谢的差异较大所致［12］，不同于人体正常组织脏器，CT值变化幅度较小。B组肾皮质、肾盂、输尿管CNR均高于A组，表明低剂量DL图像有望可达到或者超越正常剂量CT图像质量。同时提示，对于CTU图像质量的评估，采用CNR更能反映图像质量。刘磊等［13］的研究中未对SNR进行比较，可能也考虑到这一点。主观上，二维图像质量虽均可诊断，但B组图像质量评分明显高于A组，主要原因一方面是A组剂量已经较低，KARL 5级降噪效果有限；另一方面是因为低剂量下DL算法降噪效果明显，在主观上有着更好的视觉辨识度。2组三维图像质量相当，可能是因为VR和MIP受图像噪声影响较小。吴巧玲等［14］的研究表明，DL算法在胰腺低剂量增强CT检查中明显改善图像质量，与本研究结果一致，但其研究中提到高等级的深度学习算法图像主观感受较平滑，会有些蜡像感，而本研究未出现，可能是算法的训练模型不一致所致。

本研究也基于患者三期增强的图像，评估了二维上肾脏占位病变的显示情况和CTU的常见征象。结果表明除A组1例膀胱占位CTU显示与三期增强显示不一致外，其余征象显示率均为100%。这说明采用低剂量联合DL算法可保证病变的检出。Zhang等［15］的研究表明超低剂量下DL重建算法可保证泌尿系结石的诊断准确性和图像质量，与本研究结果类似。膀胱占位出现阳性率超100%，是因为患者检查前准备不充分未使膀胱充盈，CTU检查占位病变得到充分显示，这也间接表明CTU检查的必要性［16］。辐射剂量上，与A组相比，有效辐射剂量降低约41.93%，这极大地降低泌尿系增强联合CTU患者的剂量负担。

本研究有一定局限性：①只是在增强后CTU探索低辐射剂量CT扫描，今后可继续在平扫、增强三期行低剂量CT扫描。②B组采用的低剂量仍有下降空间，需进一步挖掘DL算法降低辐射剂量的潜能。

综上，深度学习重建算法的应用可显著提高低剂量CTU图像质量，且保证其诊断能力，是间接降低患者辐射剂量的有效方式，具有可靠的临床实用性。