王向明 刘 晶 冯 嘉
河北医科大学第四医院CT磁共振科,河北省石家庄市 050000
CT增强扫描已成为腹部检查的常规检查手段,而电离辐射可能带来的危险必须高度重视。因此,如何在尽可能低的辐射剂量条件下获得可供临床诊断的图像质量一直是相关领域研究的重点和热点。目前,自适应统计迭代重建(ASIR)技术可以降低辐射剂量同时重建出高质量和低噪声的图像[1]。近年来,随着以深度学习为代表的人工智能技术快速发展,深度学习方法已经广泛应用于医学影像相关各种任务中,并取得显著成果[2]。深度学习重建技术(Deep learning image reconstruction,DLIR)的应用使图像质量进一步提升,其具有降低扫描成本、提高图像质量、加快成像速度等优点[3],本研究旨在比较自适应性统计迭代重建(ASIR)和深度学习重建(DL)对低剂量上腹部CT图像质量的影响。
1.1 临床资料 收集2020年7月—2021年6月在我院因非肝脏病变而接受腹部增强CT检查的患者30例,其中男19例,女11例,年龄28~71岁,中位年龄60岁。入组标准:(1)年龄>18岁;(2)无碘过敏史,无CT检查禁忌证;(3)体重指数<28kg/m2;(4)知情并签署知情同意书。
1.2 仪器与方法 采用GE Revolution CT 扫描仪,预设噪声指数(NI)8.0,对患者进行呼吸训练,吸气末屏气扫描,仰卧位,扫描范围自膈顶至盆底水平,管电压100kV,自动毫安(200~500),旋转时间0.5s,准直器宽度80mm,螺距0.992∶1,前置ASIR-V,层厚5cm。以高压注射器经肘静脉注射碘海醇(300mgI/ml),造影剂用量1.5ml/kg,注射速率以30s内将造影剂注射完毕为宜,注射后延迟35s行动脉期扫描,延迟70s行静脉期扫描。采用ASIR-V40%、DL-M、DL-H(见图1)三种重建模式对动、静脉期原始数据进行重建,重建层厚及间隔均为1.25mm。
图1 常规40%ASiR-V(a) 、DLIR-M(b)、DLIR-H(c)重建图像
1.3 图像测量 由一名从事影像诊断5年以上的观察者在肝门层面测量腹腔脂肪、竖脊肌、腹主动脉(动脉期)、门静脉主干(静脉期)、肝脏实质CT值及噪声(标准差SD值),将腹腔脂肪的噪声作为图像背景噪声。比较各重建模式组织器官的CT值,计算并比较组织器官的信噪比(SNR)及对比噪声比(CNR),计算公式:SNR器官=CT器官/SD器官;CNR肝脏=(CT肝脏-CT竖脊肌)/SD腹腔脂肪。
2.1 动、静脉期不同组织CT值、SD、SNR和CNR比较 动、静脉期不同重建模式下腹腔脂肪、竖脊肌、腹主动脉(动脉期)、门静脉主干(静脉期)、肝脏实质CT值的差异均无统计学意义(P>0.05),见表1。
表1 不同组织CT值、SD、SNR和CNR比较
2.2 DL-H重建模式下动、静脉期图像噪声水平比较 DL-H重建模式下动、静脉期图像背景噪声、动脉期腹主动脉噪声及肝脏噪声、静脉期门静脉及肝脏噪声均最低(P<0.05);腹主动脉及肝脏SNR、静脉期门静脉及肝脏SNR均最高(P<0.05);肝脏CNR均最高(P<0.05),见表2。
表2 DL-H重建模式下动、静脉期图像噪声水平比较
CT图像质量的提高一直是影像工作者关注的重点,较高的图像质量可以发现更加微小的病灶,对于早期诊断有非常重要意义。优化腹部CT扫描质量的各种方法已经广泛应用于临床检查中,其中包括各种重建算法的应用。噪声是影响CT图像质量的主要因素,影响CT的分辨率,目前研究显示[4],噪声受图像重建算法的影响。目前最常用的重建算法就是迭代重建算法,可以降低噪声和辐射剂量,同时保持图像质量。能谱CT的ASIR技术在每个独立测量中通过对光子的统计特征进行分析,并对噪声采用迭代方法校正和抑制,从而获得更加清晰的图像。根据扫描剂量及图像质量的不同要求,ASIR算法可对原始数据进行组合重建,ASIR值即为组合重建数据所占原始数据比例,图像噪声降低幅度随ASIR值升高而增大,但空间分辨率随ASIR值升高而降低[5]。夏远舰等[6]在80例肝硬化门静脉高压患者中研究发现,当能谱CT单能量(60keV) +40% ASIR时可明显改善门静脉血管成像质量,能更准确呈现侧支循环开放情况,故本研究设置重建模式为ASIR-V40%。但有研究显示[7],迭代重建算法在一定程度上取决于组织间的对比度和实际X线剂量,如果辐射剂量降低>25%时,迭代重建算法导致低对比结构的空间分辨率和低对比能力下降。迭代重建算法采用非线性运算处理图像,非线性运算依赖目标物体和周围背景之间的对比,会影响图像内噪声的空间分布,导致“噪声纹理失真”和空间分辨率改变,使图像过度平滑,形成“蜡像样伪影”。
采用低千伏基于深度学习的智能图像重建是目前医学成像领域的研究热点,而深度学习重建技术就是一种基于人工智能研发而来的新的重建算法,使用高剂量条件下高清、真实的FBP图像作为训练集,训练深度神经网络,将低剂量的CT扫描数据还原成高质量的FBP图像。深度学习重建技术采用所有图像数据,通过深度学习网络提取特征,充分发挥深度学习和大数据本身的潜能,真实还原图像的解剖细节和纹理。在本研究中,DL-H重建模式下动、静脉期图像背景噪声、动脉期腹主动脉及肝脏噪声、静脉期门静脉及肝脏噪声均最低,优于ASiR-V(P<0.05)。DL-H重建模式下动脉期腹主动脉及肝脏SNR、静脉期门静脉及肝脏SNR均最高(P<0.05)。DL-H重建模式下动、静脉期肝脏CNR均最高(P<0.05)。与其他不同算法或不同混合权重算法的图像相比,DL-H拥有最好的图像质量。许艺馨等[8]研究也表明在肝转移瘤图像中,相比于ASiR-V,DLIR 表现出较好的降噪能力,并且随着DLIR重建水平的增加,降噪能力依次增加,同时也展示出了较高的CNR及SNR,其中DLIR-H表现最佳,这与本研究结果完全一致。值得指出的是,在图片诊断上,DLIR-H并不是最佳,随着 DLIR 重建强度的增加,去噪能力增强,但由于去噪算法的局限性,去噪强度过高时,会导致图像纹理发生变化、成像的一些细小结构损失,图像质量变得模糊,进而导致诊断信心降低[9]。这提示在进行DL重建模型时,需进一步观察DLIR-L及DLIR-M条件下图片结果进行综合分析。
总之,本研究表明与ASIR重建算法相比较,DLIR重建算法可以更好地提高图像质量,具有一定的临床应用前景。DL-H应用价值较高,可能有利于肝脏小病灶的检出。但是本研究尚存在一定局限性,首先本研究使用特定厂家GE Edison平台,其次本研究仅对腹部(以肝脏为中心)进行探讨,是否适用于其他扫描部位需要更多的研究,且病例数有限,后续研究需进一步增加病例数。