CT成像技术在去除脊柱内固定金属伪影中的研究进展

成庆，夏可周，郭卫春

武汉大学人民医院脊柱外科，武汉430060

近年来，随着脊柱外科技术的飞速发展和内固定材料的不断完善，脊柱内固定术已被广泛用于治疗脊柱肿瘤、炎症、创伤、退行性病变等疾病。而内固定误置则是导致脊柱手术并发症的重要原因。因此，准确评估内固定置入位置对预防脊柱手术并发症具有重要意义［1］。目前，X线、CT、MRI是评估内固定置入位置的常用影像学手段。尽管X线具有空间分辨率高的优势，但其图像为重叠图像，无法展示解剖细节；MRI具有软组织对比度高的优势，但因金属植入物破坏了局部磁场的均匀性，限制了其对内固定置入位置的精准评估［2］。相比之下，CT图像的密度分辨率高，并且可通过多平面重组获得三维解剖细节，在评估内固定置入位置中具有独特优势［3］。但是，由于金属伪影干扰，CT图像无法清晰显示金属-骨界面及邻近的组织结构。近年来，随着CT硬件与软件技术快速发展，去除金属伪影的CT成像技术取得了长足进步，为脊柱内固定置入位置的精准评估提供了更加可靠的依据。目前，去除金属伪影新的CT成像技术主要有基于硬件的CT扫描参数优化和基于软件的后处理算法。本文结合文献就CT成像技术在去除脊柱内固定金属伪影中的研究进展作一综述。

1.T图像金属伪影产生的常见原因

CT扫描视野内存在金属植入物时，由于金属具有高衰减特性，X射线与金属植入物相互影响，使获得的投影数据失真，在CT图像中表现为金属伪影。金属伪影的产生是多种因素共同作用的结果，包括X线束硬化、光子饥饿、康普顿散射、部分容积效应等，其中X线束硬化是导致脊柱内固定金属伪影产生的主要原因［4］。

X线束硬化可导致产生沿X线衰减方向的暗条纹，加之康普顿散射，沿X线衰减方向的邻近探测器检测到比预期更多的光子，并且经滤波后相邻探测器之间的信号差异被放大，最终在其衰减方向上产生明暗相间的条纹伪影。增加管电压和提高X线束的平均能量是减轻X线束硬化和康普顿散射的有效方法。另外，光子饥饿效应能够导致产生沿金属植入物长轴方向的条状低密度伪影。而过低的管电压、管电流是导致光子饥饿效应产生的主要原因。同时，扫描螺距过大和扫描层厚过薄也是导致光子饥饿效应产生的重要因素。增加管电压、管电流以及减小扫描螺距、增加扫描层厚是减少光子饥饿效应产生的有效途径。由于密度差异较大，部分容积效应会造成金属植入物与周围组织分界显示模糊，导致数据失真，降低了CT图像的空间分辨率。与X线束硬化、光子饥饿、康普顿散射相比，随着探测器硬件不断进步，采集层厚越来越薄，部分容积效应对金属伪影产生的影响越来越小，但仍不可避免。

2.T在去除脊柱内固定金属伪影中的应用进展

目前，去除金属伪影新的CT成像技术主要有基于硬件的CT扫描参数优化和基于软件的后处理算法两大类。基于硬件的CT扫描参数优化是在原始数据采集阶段，通过调整管电压、管电流、扫描螺距以及应用锡滤过器等，来去除脊柱内固定金属伪影的干扰。基于软件的后处理算法则是通过对原始数据进行处理和校正，来去除脊柱内固定金属伪影的干扰。其中，迭代重建（IR）、金属伪影去除（MAR）和虚拟单能量成像（VMI）是常用的基于软件的后处理算法。

2.1.于硬件的CT扫描参数优化在去除脊柱内固定金属伪影中的应用 CT扫描参数优化是基于硬件的去除脊柱内固定金属伪影的常用方法，通过调整管电压、管电流、准直器宽度、扫描螺距等参数，从而在数据采集阶段实现去除金属伪影。虽然CT扫描参数优化能够降低图像噪声，提高图像信噪比，但会导致患者接受的辐射剂量增加［4］。通过优化CT扫描参数还可在不增加辐射剂量下达到去除金属伪影的效果。彭刚等［5］研究发现，增加管电压联合降低管电流，可在不增加辐射剂量下显著减少椎弓根螺钉造成的金属伪影。相较于优化其他CT扫描参数，提高管电压对去除金属伪影的效果最显著。这与提高X线束的平均能量，从而减少X线束硬化和康普顿效应有关。

与提高管电压来实现去除金属伪影相比，锡滤过器是通过滤除原发射线束中的低能X线光子，在不增加管电压情况下实现提高X线束的平均能量，从而达到去除金属伪影的目的。ZHOU等［6］研究发现，与未使用锡过滤器相比，使用锡过滤器的脊柱内固定CT图像噪声降低26%，不仅能显著减少金属伪影，还能降低患者接受到的辐射剂量。另外，HUFLAGE等［7］研究报道，与VMI算法相比，在低剂量CT成像中，锡滤过器对去除脊柱内固定金属伪影具有显著优势。虽然锡滤过器去除脊柱内固定金属伪影的效果明显提高，但仍不能完全去除金属伪影。这是因为X线束经锡滤过器后，依然是混合能量的X线束，仍旧不可避免X线束硬化。此外，金属伪影并非仅由X线束硬化引起。

通过优化CT扫描参数去除脊柱内固定金属伪影，对CT硬件要求不高，简单易行，在国内高端CT尚未普及的情况下，具有广泛的应用价值［8］。另外，优化CT扫描参数能够增加原始数据固有的保真度，为基于软件的后处理算法进一步去除金属伪影奠定了基础。但是，优化CT扫描参数对脊柱内固定金属伪影去除的效果有限，难以满足临床精准诊断的要求。

2.2.于软件的后处理算法在去除脊柱内固定金属伪影中的应用 基于软件的后处理算法是通过对原始数据进行处理和校正，来去除脊柱内固定金属伪影的干扰。基于软件的后处理算法去除金属伪影的效果显著，但同时也会对原始数据造成一定破坏，进而导致图像失真。目前，IR、MAR、VMI是基于软件的后处理算法去除脊柱内固定金属伪影的研究热点。这三种算法基于不同的原理，在去除金属伪影效果上也存在一定差异。

2.2.1.R算法 IR算法是将图像数据的理论投影值和实测投影值进行比较，通过不断用变量的旧值递推新值的方式，将X线束硬化融合至正投影过程中，以达到在图像重建过程中消除硬化线束伪影的目的。IR算法具有良好的抗噪性和较强的去除金属伪影能力。王霞等［9］研究报道，IR算法能够降低图像噪声，提高图像细节对比度，从而有效去除金属伪影。与传统的IR算法相比，基于模型的迭代重建（MBIR）算法是新一代重建算法，能够有效提高图像密度分辨力，更好地去除X线束硬化伪影并显著降低辐射剂量［10］。有研究证实，与MAR算法相比，MBIR算法在去除小型金属植入物边缘轮廓金属伪影方面更具优势［11］。其原因在于传统的IR算法基于多种理想状态且数据采集过程简化近似，而MBIR算法则通过对CT图像系统建模，考虑到系统噪声、X线束硬化、X线散射、探测器特性等因素的影响，减少了投影数据测量值与理论值之间的误差。不同于肩、髋、膝关节内固定，脊柱内固定金属植入物的结构复杂且构件较小，MBIR算法在去除此类植入物金属伪影方面具有一定价值。另外，FUKUSHIMA等［12］研究发现，与传统的IR、MAR算法相比，在低剂量CT图像中，MBIR算法图像噪声最小，去除腰椎内固定金属伪影的效果最佳。究其原因，在低剂量条件下采集的投影数据会受噪声干扰，尤其是在金属伪影干扰下，噪声进一步增大，从而影响了重建图像的质量和精度。因此，与其他后处理算法相比，MBIR算法在脊柱内固定术后低剂量CT扫描中更具优势。

但与其他后处理算法相比，IR算法在去除金属伪影效果方面并不理想，其提供的影像解剖细节依旧无法完全满足临床诊断要求。其原因在于IR算法对金属伪影投影数据的校正不具针对性且迭代强度过高，会导致图像产生斑点状或蜡像状伪影。最新研究表明，与IR算法相比，深度学习CT图像重建（DLIR）算法在去除金属伪影方面具有显著优势，并且能够实现超低辐射剂量成像［13］。因此，DLIR算法在去除脊柱内固定金属伪影方面的应用前景广阔，有望成为去除脊柱内固定金属伪影的新手段。

2.2.2.AR算法 MAR算法通过阈值分割法，分割并剔除投影数据中的金属伪影数据，利用未受金属伪影影响的投影数据对金属伪影区域进行插值、校正，最终达到去除金属伪影的目的。MAR算法去除金属伪影最早由KALENDER等［14］提出，后经其他学者发展和进一步研究，目前主要分为插值法、迭代法、混合法三类。基于IR的MAR算法能够在原始数据不足且噪声较多的情况下重建出高质量图像。与IR算法不同，MAR算法在原始数据处理过程中，多了一个对金属伪影区域数据分割的步骤，从而确保对金属伪影数据进行特异性校正，而对周围非金属伪影区域数据则无影响。因此，与其他后处理算法相比，MAR算法对重度金属伪影的去除效果较好，并且其对周围未受金属伪影影响组织的CT值无影响。姬龙等［15］研究表明，MAR算法可明显去除脊柱内固定金属伪影，伪影区域CT值更接近其真实CT值，几乎完全去除了金属伪影的干扰。但也有研究发现，MAR算法在去除脊柱内固定金属伪影的同时，会引入新的伪影，从而导致骨质和椎管的失真度增加［16］。CECCARELLI等［17］研究认为，MAR算法引入的新伪影，对骨-金属边界的评价效果不理想，存在低估金属植入物实际尺寸的风险，易误诊为植入物松动或断裂。另外，在低剂量CT扫描中，MAR算法去除金属伪影的效果并不理想［12］，其原因可能是由于噪声导致对金属伪影区域数据的分割不准确。

基于深度学习的MAR算法是一种去除金属伪影的新方法［13］。最新的研究表明，与传统的MAR算法相比，基于深度学习的MAR算法可显著减少脊柱内固定细微的金属伪影，更好地恢复金属周围组织结构的解剖细节，从而提高图像质量［18］。基于深度学习的MAR算法的性能取决于用于模型训练的大规模数据的质量。然而，在临床上很难获得足够的训练数据，真实临床环境下难以完美拟合真实的物理条件，这限制了其临床应用。尽管如此，随着研究深入和技术发展，基于深度学习的MAR算法在去除脊柱内固定金属伪影方面展现出了巨大的应用前景，有望成为去除脊柱内固定金属伪影的新手段。

2.2.3.MI算法 传统CT扫描提供的是混合能量图像，会受X线束硬化伪影的影响。VMI算法是基于物质分解的原理，通过对双能CT原始数据进行处理和解析，从而获得不同能量水平的单能量CT图像。理论上，单能量CT图像无X线束硬化伪影的干扰［19］。已有研究表明，高KeV的VMI算法可显著去除高密度和低密度金属伪影，使伪影内组织CT值更接近真实CT值［20］。虽然锡滤过器能够增加X线束的平均能量，但其提供的仍然为混合能量的X线图像，而VMI算法是单一能量图像，理论上可以完全消除X线束硬化伪影的影响。ANHAUS等［21］研究报道，MAR算法在去除肩、髋、膝关节等大型金属植入物金属伪影方面效果较好，而VMI算法在去除脊柱内固定这类小型金属植入物伪影方面效果较好。这与VMI算法不会引入新的伪影有关。李嘉鹏等［22］研究发现，随着KeV递增，金属伪影逐渐减少，椎弓根螺钉、椎弓根骨皮质以及金属-骨界面显示越来越清晰，暗条纹伪影内CT值呈递增趋势，亮条纹伪影内CT值呈递减趋势。有研究报道，与MAR算法相比，VMI算法在显示椎弓根螺钉及其邻近骨组织的结构细节上更具优势［17］。最近HACKENBROCH等［23］研究报道，与VMI算法相比，锡滤过器联合VMI算法能够更好地显示椎弓根螺钉及其邻近骨组织的精细结构，其原因可能是锡滤过器可减少X线束硬化伪影对原始图像数据的影响，减少了金属伪影对原始数据的干扰，从而使原始数据处理和解析的准确度明显提高。

高KeV的VMI图像可有效减少脊柱内固定金属伪影的影响，但其组织对比度降低，软组织的层次对比欠佳，噪声增加，不利于周围软组织显示［24］。噪声优化的VMI算法在减少金属伪影的同时，可显著降低噪声干扰，提高图像质量，在去除脊柱内固定金属伪影方面取得了非常不错的效果。ZENG等［25］研究发现，与VMI算法相比，噪声优化的VMI算法最佳能级和图像噪声显著降低，去除金属伪影的效果显著增强。然而，在投影数据的采集过程中存在噪声，尤其是在低剂量CT扫描下，造成图像数据不能反映其真实衰减情况，无法获得准确的CT值分布，这是导致VMI算法不能去除全部金属伪影的主要原因［7］。GONG等［26］研究发现，与传统的VMI算法相比，基于深度学习的VMI算法可在低KeV的VMI算法中有效去除X线束硬化金属伪影。因此，基于深度学习的VMI算法有望成为未来去除脊柱内固定金属伪影的重要研究方向。

2.2.4.算法联合 IR、MAR、VMI算法在去除脊柱内固定金属伪影方面均具有一定效果，但每种后处理算法有各自的优势和内在的局限性，没有一种单独的后处理算法可以达到最佳去除金属伪影的效果。

ISHIKAWA等［27］研究表明，与单一的VMI算法相比，VMI算法联合MBIR算法能够降低图像噪声、提高图像质量，并可显著去除脊柱内固定的条纹伪影。这可能是因为MBIR算法能够提高图像信噪比，而高信噪比的原始图像数据能够反映其真实的CT值，从而保证物质分解的准确性，更好地实现去除金属伪影的目的。WICHTMANN等［28］研究发现，MAR算法联合低能级VMI算法能够有效去除脊柱内固定金属伪影，并且未引入新的伪影。此外，IR算法联合MAR算法不仅可有效去除脊柱内固定金属伪影，还可校正由MAR算法引入的新伪影。这是因为IR算法可降低原始图像的噪声，使MAR算法在金属伪影数据分割过程中更加精确，从而有利于精准地去除金属伪影。

有研究报道，基于深度学习的后处理算法在去除金属伪影方面取得了较好的效果［13，18，26］。但由于缺乏大量的高质量训练数据，限制了基于深度学习的后处理算法进一步发展。随着光子计数CT的应用，使得在低剂量条件下生成高质量的CT图像成为可能。RAU等［29］研究表明，与传统的能量积分CT图像相比，光子计数CT图像信噪比显著升高，图像噪声显著降低，可更好地去除脊柱内固定金属伪影。随着光子计数CT在脊柱内固定成像上广泛应用，临床可获得大量高质量的CT图像数据，这为多种基于深度学习的后处理算法联合去除脊柱内固定金属伪影的探索奠定了基础。

综上所述，当前基于CT去除金属伪影新的CT成像技术主要有基于硬件的CT扫描参数优化和基于软件的后处理算法。CT扫描参数优化去除脊柱内固定金属伪影简单易行，可在中低端CT中广泛应用，但其去除金属伪影的效果有限，难以满足临床精准诊断的要求。IR、MAR、VMI是去除脊柱内固定金属伪影常用的后处理算法，IR算法可在低辐射剂量下较好地去除脊柱内固定金属伪影，MAR、VMI算法也能较好地去除脊柱内固定金属伪影，但MAR算法可能引入新的伪影，不能单独作为诊断依据，而VMI算法可增加图像噪声、降低对比度，不利于软组织显示。与单一的后处理算法相比，多种后处理算法联合去除脊柱内固定金属伪影的效果更好。同时，随着CT硬件与软件技术的不断发展，基于深度学习的后处理算法、光子计数CT等成为去除脊柱内固定金属伪影新的研究方向，具有更广阔的应用前景。