超低劑量平掃CT 深度學習圖像重建評價肺部病灶的可行性

趙珂珂，蔣蓓蓓，張 璐，王凌云，張亞平，解學乾

上海交通大學醫學院附屬第一人民醫院放射科，上海 200080

實體腫瘤療效評價標準（response evaluation criteria in solid tumors，RECIST）是目前臨床常用的評價腫瘤療效的標準，其基本方法是根據醫學影像圖像中病灶直徑的變化來評價療效。根據RECIST 標準，肺靶病灶長徑和淋巴結靶病灶短徑是判斷腫瘤進展程度的主要指標［1］。CT 增強掃描圖像質量高，而且應用范圍廣，是評價肺部腫瘤的首選檢查方法。雖然胸部CT 檢查在腫瘤診斷中有重要價值，但輻射風險仍有爭議［2］。由于腫瘤療效評價需要反復CT 掃描，每次低劑量或常規劑量胸部CT 檢查，其有效吸收劑量為1.5～7 mSv［1，3-4］。PERISINAKIS 等［5］認為重復CT 檢查可能增加肺癌的風險。對于潛在的輻射危害，減少輻射劑量可以降低其風險。

人工智能技術的不斷發展促進了超低劑量CT 技術在大幅度降低輻射劑量的同時，保證了圖像質量［6］。在一項前瞻性研究［7］中，我們首次利用深度學習圖像重建（deep learning image reconstruction，DLIR） 技術將胸部CT 輻射劑量降低至0.07～0.14 mSv，較現有CT 檢查降低91%～95%，同時保證了圖像質量和肺結節檢出率。SHIRI 等［8］利用卷積神經網絡重建超低劑量CT 圖像，在輻射劑量降低89% 的情況下能準確地診斷新型冠狀病毒肺炎（corona virus disease 2019，COVID-19）。

目前臨床上常用低劑量或常規劑量增強CT 來評價肺部腫瘤。雖然DLIR 和CT 技術的發展極大地降低了輻射劑量，但是目前尚沒有研究利用超低劑量平掃CT 來評價肺部靶病灶。因此，本研究根據RECIST 標準，以低劑量胸部增強CT 為參考測量方法，探討使用超低劑量胸部平掃CT 評價基于RECIST 的肺部靶病灶和直徑≤1 cm 磨玻璃結節（ground glass nodule，GGN）的可行性。

1 對象與方法

1.1 研究對象

在圖像存儲與傳輸系統（picture archiving and communication system，PACS）中，對2020 年4 月—6 月符合納入標準的病例進行回顧性檢索。納入標準：①年齡≥18 歲。②曾行胸部超低劑量CT 平掃和低劑量增強CT 檢查。③有符合RECIST 標準的可測量靶病灶（非淋巴結靶病灶長徑≥10 mm，淋巴結靶病灶短徑≥15 mm）或直徑≤1 cm 的GGN。排除標準：①呼吸或運動偽影造成圖像質量不佳。②體質量指數（body mass index，BMI）≥30 kg/m2。根據世界衛生組織推薦的BMI 分類標準，BMI＜18.5 kg/m2為偏瘦，BMI≥18.5 且＜25.0 kg/m2為正常，BMI≥25.0 kg/m2為超重［9］。

1.2 CT掃描參數與圖像重建

所有患者均采用256 排CT（Revolution CT，GE醫療）進行胸部超低劑量CT 平掃和低劑量增強CT掃描?；颊呷⊙雠P位，雙臂上舉，吸氣后屏氣進行掃描。超低劑量胸部CT平掃的掃描參數為：螺旋掃描，探測器準直寬度0.625 mm×128，螺距0.992，球管電壓70 kV，重建圖像矩陣512×512，圖像顯示視野350 mm。根據患者體型，每例患者的球管電流設置為20 mA 或40 mA，其吸收劑量分別為0.07 mSv 或0.14 mSv。低劑量增強CT掃描的球管電壓為120 kV，球管電流根據噪聲指數20 自動設置，其余掃描方案與超低劑量平掃相同。在增強掃描前，從肘前靜脈以3.0～4.0 mL/s 的速度注射40～60 mL 造影劑碘普羅胺300（Iopamiro 300，Bracco）。

每例患者重建4 組CT 圖像，包括3 組超低劑量CT 圖像，分別為80%強度多模型自適應統計迭代重建（adaptive statistical iterative reconstruction-V with an 80% strength level，ASIR-V-80%）、中 等 強 度DLIR 重建（DLIR of moderate strength，DLIR-M）和高強度DLIR 重建（DLIR of high strength，DLIR-H），以及1 組ASIR-V-50%的增強CT 圖像。增強CT 圖像作為評價靶病灶大小測量的參考圖像。所有圖像均采用標準內核進行重建，重建圖像的層厚和層距均為1.25 mm。

1.3 DLIR的基本原理

DLIR 引擎根據輸入正弦圖，從低劑量原始數據集生成臨時輸出圖像。參考圖像為濾波反投影重建（filtered back projection，FBP）的高質量標準劑量圖像。通過深度學習方法，比較臨時輸出圖像和參考圖像的成像特征，發現兩者在噪聲紋理、低對比度空間分辨率、高對比度空間分辨率以及其他度量方面的相似性和差異性。然后，基于相似性和差異性，采用嵌入式反向傳播技術對網絡參數進行微調。通過迭代訓練直到輸出圖像精確匹配參考圖像為止。DLIR 引擎通過FBP重建的高質量標準劑量圖像訓練深度神經網絡（deep neural network），學習如何從信號中區分噪聲，并在不影響顯示解剖和病理結構的情況下智能地抑制噪聲［10］。DLIR 重建有低、中、高3 種強度，指使用深度學習算法介入圖像處理的程度；在高等強度下，深度學習對生成圖像的影響最大［11-12］。

1.4 圖像處理與測量

根據RECIST 標準，病灶的測量評價可以由一位閱片人首先獨立完成，然后由一位仲裁人判定是否可用［7］。為了模擬上述獨立測量評估過程，在對所有圖像隨機排序后，由一位有3 年影像學經驗的閱片人獨立在ASIR-V-80%、DLIR-M、DLIR-H 和增強CT重建圖像上測量靶病灶，并由一位有21 年影像學經驗的仲裁人確認。靶病灶主要為肺內腫塊、結節、空洞、轉移灶和腫大的淋巴結。閱片人和仲裁人使用PACS 讀片軟件（TView，衛寧健康）讀片，測量肺部靶病灶的長徑和淋巴結靶病灶的短徑。根據RECIST 標準，每例患者最多可以選擇5 個靶病灶，每個器官最多2個靶病灶。

為了評價超低劑量CT 圖像測量的觀察者內部一致性（intra-observer agreement），同一位閱片人在第1 次評價1 個月后，在DLIR-M 和DLIR-H 重建圖像中各隨機抽取15 個肺部靶病灶、15 個淋巴結靶病灶和15個GGN，進行第2次測量。

另外，使用圖像處理軟件（MatLab 2021a，MathWorks）對肺實質組織和體外背景進行三維圖像分割，評價三維感興趣區的圖像噪聲，表示為CT 值的標準差。

1.5 統計學方法

使用MedCalc 20.0統計軟件包進行數據分析。正態分布的定量資料采用表示?；颊呋拘畔⒉捎贸山Mt檢驗或χ2檢驗進行比較。為了判斷DLIR-M 和DLIR-H 重建圖像測量的可重復性，采用組內相關系數（intraclass correlation coefficient，ICC）分析重復測量值。為了評價靶病灶在超低劑量CT 和增強CT上測量值的相關性，采用Pearson 相關系數分別分析ASIR-V-80%、DLIR-M 和DLIR-H 重建圖像測量值與增強CT 測量值。為了評價超低劑量CT 和增強CT 對靶病灶測量值的差異性，采用Bland-Altman 方法對ASIR-V-80%、DLIR-M 和DLIR-H 重建圖像測量值與增強CT測量值分別進行分析。為了分析超低劑量CT與增強CT 測量差異性的影響因素，以測量值差值為因變量，以BMI、年齡、性別、CT 劑量、靶病灶類型和病理結果為自變量，進行多元線性回歸分析；其中BMI 和年齡是連續性數據，性別（男=1，女=0）、CT 劑量（0.07 mSv=0，0.14 mSv=1）、靶病灶類型（肺部靶病灶=0，淋巴結=1）、病理性質（良性+未知=0，惡性=1）是二分類數據。P＜0.05 表示差異具有統計學意義。

2 結果

2.1 患者基本信息

如表1所示，共80例患者符合入組標準，平均年齡（62±11）歲，其中男性54 例（67.5%），女性26例（32.5%）；平均BMI 為（22.72±3.34）kg/m2，其中7 例偏瘦，57 例正常，16 例超重。這80 例患者共發現80 個靶病灶和27 個直徑≤1.0 cm 的GGN。靶病灶中包括肺部靶病灶54個（67.5%）和淋巴結靶病灶26 個（32.5%）。在所有的肺部靶病灶中，惡性肺部靶病灶共28 個（51.9%），包括轉移瘤4 個、肺腺癌18 個、肺鱗癌2 個、肺腺鱗癌1 個、大細胞神經內分泌癌3個；良性和病理結果未知的肺部靶病灶共26個（48.1%），其中良性4 個、病理結果未知22 個。淋巴結靶病灶中肺門淋巴結9個、非肺門淋巴結17個；所有淋巴結包括16 個惡性、2 個良性和8 個病理結果未知。肺部靶病灶和淋巴結靶病灶在不同重建圖像上的測量值差異的代表性病例分別如圖1、2所示。

圖1 可測量肺部靶病灶在不同重建圖像上的測量值Fig 1 Measured values of lung target lesions in different image reconstruction kernels

表1 入組患者基本特征Tab 1 Basic characteristics of the included patients

2.2 圖像質量評價

增強CT 圖像的平均肺組織噪聲為（46±4）Hu。在超低劑量CT 圖像中，ASIR-V-80%、DLIR-M 和DLIR-H 重建圖像的噪聲分別為（53±4）Hu、（54±4）Hu 和（51±4）Hu。增強CT 圖像的平均空氣背景噪聲為（22±4）Hu，ASIR-V-80%、DLIR-M 和DLIR-H重建圖像的空氣背景噪聲分別為（29±4）Hu、（27±4）Hu 和（23±4）Hu。在超低劑量CT 重建圖像中，DLIR-H的肺組織噪聲和背景噪聲最低。

圖2 可測量淋巴結靶病灶在不同重建圖像上的測量值Fig 2 Measured values of lymph node target lesions in different image reconstruction kernels

2.3 超低劑量CT靶病灶測量的可重復性

DLIR-M 重建圖像中肺內病灶測量的ICC為0.995（95%置信區間：0.985～0.998），淋巴結病灶的ICC為0.986（0.964～0.995），直徑≤1 cm 的GGN 的ICC 為0.998（0.994～0.999）。DLIR-H 重建圖像中肺內病灶測量的ICC 為0.992（0.957～0.998），淋巴結病灶的ICC 為0.979（0.941～0.992），直徑≤1 cm 的GGN 的ICC 為0.994（0.983～0.998）。超低劑量CT 靶病灶測量具有很高的重復性。

2.4 超低劑量CT測量值與增強CT的相關性

如表2 所示，超低劑量CT 圖像ASIR-V-80%、DLIR-M 和DLIR-H 重建的測量值與增強CT 的圖像測量值呈現高度相關（均P=0.000）。

表2 超低劑量CT靶病灶測量值與增強CT測量值的Pearson相關系數Tab 2 Pearson's correlation coefficients of target lesions measured on ultra-low-dose CT and enhanced CT images

2.5 超低劑量CT 靶病灶測量值與增強CT 的差異性

Bland-Altman分析（表3）顯示，DLIR-H圖像的肺部靶病灶測量值與增強CT 的差異均在5%以內，ASIR-V-80%和DLIR-M 圖像的測量值與增強CT 差異較大，結果均有統計學意義（均P＜0.05）。在超低劑量CT 的3 種重建方式中，DLIR-H 圖像的測量值與增強CT 的差異性最小。典型的肺部靶病灶和非肺門淋巴結Bland-Altman點圖如圖3所示。

圖3 超低劑量CT靶病灶測量值與增強CT測量值差異性的Bland-Altman點圖Fig 3 Bland-Altman analysis of the variability of measured values of target lesions on ultra-low-dose CT and enhanced CT images

表3 超低劑量CT靶病灶測量值與增強CT測量值差異性的Bland-Altman分析Tab 3 Bland-Altman analysis of the variability of measured values of target lesions on ultra-low-dose CT and enhanced CT images

2.6 超低劑量CT 測量值與增強CT 測量值之差的影響因素

多元線性回歸結果（表4）顯示，在DLIR-M 和DLIR-H 圖像中，測量值差值與病灶類型顯著相關（P＜0.05）。在排除了肺門淋巴結后，測量值差值與病灶類型無顯著相關性（P＞0.05）。3 種超低劑量重建圖像與增強CT 測量值差值與BMI、年齡、性別、CT劑量、病灶病理性質均無顯著相關性（P＞0.05）。

表4 超低劑量CT靶病灶測量值與增強CT測量值差值影響因素的多元線性回歸分析Tab 4 Multiple linear regression analysis of the influential factors on the differences between the measured values of ultra-low-dose CT and enhanced CT of target lesions

3 討論

本研究發現，傳統迭代重建（ASIR-V-80%）、DLIR-M 和DLIR-H 重建超低劑量CT 圖像中的靶病灶測量值與增強CT 測量值都高度相關。深入的Bland-Altman 分析顯示，在3 種重建方式中，DLIR-H 重建超低劑量CT 圖像與增強CT 的差異最小，對于肺部靶病灶和淋巴結靶病灶，測量直徑的差異僅分別為4.3%和5.1%。雖然DLIR算法具有良好的圖像噪聲和信噪比，但是病灶邊緣上升距離和衰減偏度高，導致空間分辨率降低，圖像失真增大，因此病灶直徑測量值偏大［13］。

雖然迭代重建是目前低劑量CT 圖像重建的常用方法，但我們的研究發現在超低劑量條件下，DLIRH 重建圖像的靶病灶測量結果更接近增強CT 參考標準。這是因為在超低劑量條件下，DLIR 重建的整體圖像質量顯著優于ASIR［11］。JENSEN 等［14］研究了DLIR 算法在腹部CT 圖像中顯示腫瘤的價值，發現DLIR較標準ASIR-V重建圖像能提高腹部腫瘤的圖像質量。例如，DLIR-H 圖像比ASIR-V-30%圖像的噪聲降低了47%，對比度-噪聲比增加了92%～94%，從而提高了腫瘤診斷的可信度。BENZ 等［15］學者對低劑量冠狀動脈CT 血管造影中DLIR 和ASIR-V 的圖像噪聲進行比較，發現DLIR-M 和DLIR-H 的圖像質量評分（分別為3.4～3.8 和4.2～4.6） 均高于ASIR-V（1.8～2.2）。NODA 等［16］評價了DLIR 重建低劑量門靜脈期全身CT 的圖像質量和腫瘤檢測能力，發現DLIR 在輻射劑量降低75%的條件下，與迭代重建標準劑量CT 的圖像質量、病灶檢出率和信噪比相似。JENSEN 等［17］評價了使用DLIR 重建低劑量CT 圖像對肝臟轉移和良性局灶性病變的檢測能力，發現DLIR 能夠有效檢出大于0.5 cm 的肝臟病變。在本研究的超低劑量掃描條件下，DLIR可以有效測量肺部、淋巴結和GGN病灶，為實現超低劑量胸部CT靶病灶評價提供了技術基礎。

本研究采用了多元線性分析，發現超低劑量CT測量靶病灶的數據差值與BMI、年齡、性別、CT 劑量、靶病灶類型和病灶病理類型無顯著相關性，這意味著超低劑量CT 或將有希望適用更大范圍的人群和更多類型的病灶。對于肺門淋巴結，超低劑量CT 的測量值顯著高于增強CT，這可能是受肺門處其他軟組織的影響導致淋巴結邊緣顯示不準確，需要繼續優化現有DLIR算法。

本研究存在以下局限性。雖然RECIST 是評估腫瘤療效的常用標準，但RECIST 標準僅測量一維直徑，世界衛生組織指南中的二維測量標準和一些大型臨床研究推薦的三維測量方法尚需進一步評估［1］。其次，出于倫理學上的考慮，我們并未對每個受試者重復做2 次CT 平掃，即超低劑量和常規劑量CT 平掃，用增強CT 作為參考標準提高了靶病灶和臨近組織的圖像對比度。本研究是回顧性的橫斷面研究，進行前瞻性隊列研究將有助于探討腫瘤復查過程中的評估價值［18］。最后，BMI≥30 kg/m2的肥胖患者未納入本研究，需要進一步研究超低劑量CT 對肥胖患者肺部靶病灶的影響。

綜上所述，本研究比較了基于DLIR 的胸部超低劑量平掃CT 與傳統增強CT 對肺內靶病灶、淋巴結靶病灶和直徑≤1 cm 的GGN 的測量評價，發現輻射劑量降低94%～97%的超低劑量CT 與傳統增強CT 高度相關，同時差異較小。超低劑量平掃CT 既不需要對比劑，又能夠大幅度降低輻射劑量，還保持了圖像質量，有利于腫瘤評價和GGN 復查時的多次重復掃描。

利益沖突聲明/Conflict of Interests

所有作者聲明不存在利益沖突。

All authors disclose no relevant conflict of interests.

倫理批準和知情同意/Ethics Approval and Patient Consent

本研究涉及的所有試驗均已通過上海交通大學醫學院附屬第一人民醫院倫理委員會的審核批準（文件號2020KY237）。所有試驗過程均遵照《赫爾辛基宣言》的條例進行。因為本研究是回顧性研究，倫理委員會已豁免本研究的知情同意書。

All experimental protocols in this study were reviewed and approved by the Institutional Review Board （IRB） of Shanghai General Hospital，Shanghai Jiao Tong University School of Medicine（Approval Letter No. 2020KY237），and all experimental protocols were carried out by followingthe Declaration of Helsinki.Because this study was retrospective，the IRB waived the requirement for patient informed consent.

作者貢獻/Authors'Contributions

趙珂珂、蔣蓓蓓、解學乾參與試驗設計；趙珂珂、蔣蓓蓓、解學乾參與論文寫作和修改。趙珂珂、蔣蓓蓓、張璐、王凌云、張亞平參與數據收集。所有作者均閱讀并同意最終稿件的提交。

The study was designed by ZHAO Keke，JIANG Beibei and XIE Xueqian. The manuscript was drafted and revised by ZHAO Keke，JIANG Beibei and XIE Xueqian. The raw data were collected by ZHAO Keke，JIANG Beibei，ZHANG Lu，WANG Lingyun，and ZHANG Yaping.All the authors have read the last version of paper and consented for submission..

·Received：2022-04-17

·Accepted：2022-07-25

·Published online：2022-08-28

參·考·文·獻

[1] EISENHAUER E A, THERASSE P, BOGAERTS J, et al. New response evaluation criteria in solid tumours: revised RECIST guideline(version 1.1)[J]. Eur J Cancer,2009,45(2):228-247.

[2] SHI L, TASHIRO S. Estimation of the effects of medical diagnostic radiation exposure based on DNA damage[J]. J Radiat Res, 2018,59(suppl_2):ii121-ii129.

[3] WOOD D E, KAZEROONI E A, BAUM S L, et al. Lung cancer screening, version 3.2018, NCCN clinical practice guidelines in oncology[J]. J Natl Compr Canc Netw,2018,16(4):412-441.

[4] MAZLOUMI M, VAN GOMPEL G, KERSEMANS V, et al. The presence of contrast agent increases organ radiation dose in contrastenhanced CT[J]. Eur Radiol,2021,31(10):7540-7549.

[5] PERISINAKIS K, SEIMENIS I, TZEDAKIS A, et al. Radiation burden and associated cancer risk for a typical population to be screened for lung cancer with low-dose CT: a phantom study[J]. Eur Radiol,2018,28(10):4370-4378.

[6] KIM Y, KIM Y K, LEE B E, et al. Ultra-low-dose CT of the thorax using iterative reconstruction: evaluation of image quality and radiation dose reduction[J]. AJR Am J Roentgenol, 2015, 204(6):1197-1202.

[7] JIANG B, LI N, SHI X, et al. Deep learning reconstruction shows better lung nodule detection for ultra-low-dose chest CT[J].Radiology,2022,303(1):202-212.

[8] SHIRI I, AKHAVANALLAF A, SANAAT A, et al. Ultra-low-dose chest CT imaging of COVID-19 patients using a deep residual neural network[J]. Eur Radiol,2021,31(3):1420-1431.

[9] CABALLERO B. Humans against obesity: who will win?[J]. Adv Nutr,2019,10(suppl_1):S4-S9.

[10] SUN J, LI H, WANG B, et al. Application of a deep learning image reconstruction (DLIR) algorithm in head CT imaging for children to improve image quality and lesion detection[J]. BMC Med Imaging,2021,21(1):108.

[11] KIM J H, YOON H J, LEE E, et al. Validation of deep-learning image reconstruction for low-dose chest computed tomography scan:emphasis on image quality and noise[J]. Korean J Radiol, 2021,22(1):131-138.

[12] PARAKH A, CAO J, PIERCE T T, et al. Sinogram-based deep learning image reconstruction technique in abdominal CT: image quality considerations[J]. Eur Radiol,2021,31(11):8342-8353.

[13] NAM J G, AHN C, CHOI H, et al. Image quality of ultralow-dose chest CT using deep learning techniques: potential superiority of vendor-agnostic post-processing over vendor-specific techniques[J].Eur Radiol,2021,31(7):5139-5147.

[14] JENSEN C T,LIU X,TAMM E P,et al. Image quality assessment of abdominal CT by use of new deep learning image reconstruction:initial experience[J]. AJR Am J Roentgenol,2020,215(1):50-57.

[15] BENZ D C, BENETOS G, RAMPIDIS G, et al. Validation of deeplearning image reconstruction for coronary computed tomography angiography:impact on noise,image quality and diagnostic accuracy[J].J Cardiovasc Comput Tomogr,2020,14(5):444-451.

[16] NODA Y, KAGA T, KAWAI N, et al. Low-dose whole-body CT using deep learning image reconstruction: image quality and lesion detection[J]. Br J Radiol,2021,94(1121):20201329.

[17] JENSEN C T, GUPTA S, SALEH M M, et al. Reduced-dose deep learning reconstruction for abdominal CT of liver metastases[J].Radiology,2022,303(1):90-98.

[18] 蔣蓓蓓,張亞平,張琳,等. 深度卷積神經網絡對≤3 cm的亞實性肺腺癌CT 圖像病理學分型預測的可視化研究[J]. 上海交通大學學報(醫學版),2019,39(9):1045-1051.JIANG B B,ZHANG Y P,ZHANG L,et al. A visualization study of deep convolutional neural network to classify the pathological type of sub-soild pulmonary adenocarcinoma of ≤3 cm based on CT images[J]. J Shanghai Jiao Tong Univ(Med Sci),2019,39(9):1045-1051.