探討深度學習重建算法在低劑量CTU檢查中的應用價值

王旭 劉磊 劉義軍 李貝貝 范勇 童小雨 王詩耕 陳安良

CT尿路造影（computed tomography urography，CTU）是通過靜脈注射對比劑后，利用腎臟的代謝功能，使腎盂、腎盞、輸尿管及膀胱充盈對比劑，通過CT掃描，三維處理后獲得整個泌尿系立體圖像的技術［1］。該技術與靜脈尿路造影（intravenous urography，IVU）相比，簡單易行，患者接受度高，但是CT掃描范圍較大，輻射劑量較高，如何平衡輻射劑量、圖像質量、診斷性能是研究的熱點與難點［2］。利用CT圖像重建算法間接降低輻射劑量是可行的主要方向之一，且對于CTU檢查，器官與周圍組織為高對比，這也使進一步降低CTU輻射劑量成為可能。隨著人工智能的發展，機器學習在醫學領域應用廣泛，深度學習類算法應運而生。張欽和等［3］探討了基于人工神經網絡模型的像素閃爍算法（pixel shine，PS）在低劑量CTU檢查中的應用價值。深度學習（deep learning，DL）重建算法采用了更為先進的深度神經網絡（deep neural network，DNN），正逐步用于臨床，但在CTU檢查中的應用缺乏研究。因此本研究旨在探討最新的DL算法在提高低劑量CTU圖像質量同時保證診斷效能的應用價值。

方法

1. 臨床資料

將2022年4月—2022年5月于我院行CTU檢查患者共60例納入研究，男39例，女21例，年齡37～87歲，平均年齡（63.0±13.3）歲，記錄患者身高、體重，并計算體重指數（body mass index，BMI）。排除標準：碘對比劑過敏者；腎衰竭及其他急危重癥的患者；不能憋尿配合檢查者。按照就診時間將患者分為A組和B組：A組，2022年4月就診，共30例，男21例，女9例，平均年齡（62.5±13.1）歲，BMI為（25.61±3.71）kg/m2，常規掃描方案；B組，2022年5月就診，共30例，男18例，女12例，平均年齡（63.8±14.0）歲，BMI為（25.26±2.74）kg/m2，低劑量掃描方案。本研究經醫院倫理委員會批準，所有患者均簽署知情同意書。

2. CT檢查方法

患者行CTU檢查前均已完成泌尿系三期增強，囑患者不喝水、不排尿、不離開，間隔半小時后行CTU檢查。應用聯影uCT760進行掃描，患者仰臥位，頭先進，掃描范圍為腎上級至恥骨聯合下緣。A組：120 kV，固定100 mA，KARL（keep artifact really low， KARL）5級迭代算法重建；B組：120 kV，劑量調制1（自動管電流調制技術的劑量等級從低到高有1到5級，腹部常規劑量等級為3級，1級的管電流約為3級的30%），DL4算法重建（DL算法共有1～4個等級，等級越高，降噪效果越強）。其余掃描參數相同：探測器寬度40 mm，螺距0.9875，轉速0.5 s/r，掃描層厚5 mm，重建層厚1 mm，矩陣512×512，標準算法（B_SOFT_B）。記錄患者掃描長度，容積CT劑量指數（CTDIvol）、劑量長度乘積（DLP），并計算有效輻射劑量（ED）=DLP×k，其中k為腹部權重因子，k值取0.015 mSv/（mGy·cm）。

3. 圖像分析

所有重建圖像均傳送至uCT-760128 CT圖像后處理工作站進行重組，重組方式包括包括容積再現（volume rendering， VR）和最大密度投影（maximum intensity projection， MIP）圖像。

3.1 圖像客觀評價

對軸位圖像進行觀察測量，將造影劑充盈的腎盂及輸尿管作為觀察對象。測量腎皮質、腎盂、輸尿管、左側椎旁肌的CT值和標準差（SD）值，分別測量上、中、下3段輸尿管，并取其平均值，測量時盡可能將圖像放大，盡量選擇面積最大的輸尿管層面來測量。各感興趣區（ROI）放置避開病變區，每個ROI測量3次，取其平均值，以左側椎旁肌SD值作為背景噪聲值，計算各感興趣區SNR和CNR：SNR=ROIn/SDn，CNR=（ROIn-ROI背景）/SD背景，其中ROIn、SDn代表感興趣區域CT值的平均值、標準差。

3.2 圖像主觀評價

由2名具有5年以上診斷經驗的放射科醫師采用雙盲法對A、B組軸位圖像及重組圖像行5分制評分，評分標準如下。二維圖像：圖像基本無噪聲，幾乎無偽影為5分；圖像噪聲較小，少量偽影為4分；圖像中等噪聲，輕度偽影為3分；圖像噪聲較大，中度偽影為2分；圖像噪聲很大，偽影明顯為1分。三維圖像：觀察圖像中腎盞、腎盂、輸尿管和膀胱解剖結構的顯示情況［4］，具體方法如下。5分：解剖結構顯示非常清晰，病灶形態結構非常清晰，診斷信心佳；4分：解剖結構顯示清晰，病灶形態結構清晰，診斷信心高；3分：解剖結構顯示較為清晰，病灶形態結構欠清晰，不影響診斷；2分：解剖結構顯示不清，病灶形態結構模糊，診斷受限；1分：解剖結構無法顯示，病灶形態結構不清晰，無法診斷。評分≥3分符合臨床診斷要求?；诨颊呙谀蛳等跈z查對病變征象進行分析，二維圖像評估腎臟占位征象，CTU評估的顯示征象［5］為腎盂腎盞積水擴張、輸尿管擴張、膀胱占位。

4. 統計學分析

應用SPSS 24.0統計軟件對數據進行統計分析。符合正態分布的計量資料采用均數±標準差（±s）表示，組間比較采用獨立樣本t檢驗；不符合正態分布的計量資料采用中位數（四分位間距）表示，組間比較采用Mann-WhitneyU秩和檢驗。計數資料以例數比表示，組間比較采用χ2檢驗。2名放射科醫師對圖像主觀質量評分一致性采用Kappa檢驗。P＜0.05為差異有統計學意義。

結果

1. 患者基本資料比較

2組患者性別比例、年齡、BMI及掃描長度差異均無統計學意義（均P＞0.05）。詳見表1。

表1 患者基本資料

2. 客觀比較結果

2組腎皮質SNR、CNR，腎盂CNR，輸尿管CNR及噪聲SD值差異有統計學意義（P＜0.05），B組均高于A組；腎盂SNR和輸尿管SNR差異無統計學意義（P＞0.05）。詳見表2。

表2 2組圖像質量客觀指標比較

3. 主觀比較結果

2位觀察者對二維和三維重組圖像主觀評分的Kappa值為0.838～0.918（P＜0.05，表3）。B組二維圖像評分高于A組，差異有統計學意義（P＜0.05），三維圖像質量兩組差異無統計學意義（P＞0.05），均≥3分。符合臨床診斷要求（圖1、2）。

圖1 典型病例1影像男，66歲，BMI 23.31 kg/m2，常規劑量掃描。A和B為二維軸位圖（腎門和膀胱層面，背景噪聲為17.4），C為三維重組VR圖，D為三維重組MIP圖。

圖2 典型病例2影像女，66歲，BMI 23.42 kg/m2，低劑量掃描。A和B為二維軸位圖（腎門和膀胱層面，背景噪聲為9.0），C為三維重組VR圖，D為三維重組MIP圖。

表3 2組二維圖像及三維后處理圖像主觀評分比較

4. CTU征象顯示

2組患者共60例均在CTU檢查前完成了泌尿系三期增強檢查。參照三期增強圖像，對病變征象進行評價，除A組1例膀胱占位CTU顯示與三期增強顯示不一致外，2組其余征象、腎臟占位征象顯示率均為100%，與三期增強均一致。詳見表4。

表4 2組CTU征象顯示比較

5. 輻射劑量比較

B組較A組CTDIvol降低43.59%，DLP降低41.81%，ED降低41.93%，差異均有統計學意義（P＜0.05，表5）。

表5 2組輻射劑量比較

討論

CT圖像重建算法的發展與應用為臨床探索低劑量CT成像提供了更廣闊的空間［6］。自CT誕生以來，一直采用濾波反投影算法（filter backup projection，FBP），FBP在低輻射劑量下空間分辨率較差，存在明顯噪聲和條紋偽影，圖像質量不佳。迭代算法逐漸發展，已作為臨床常規掃描參數［7-8］。本研究所采用的KARL算法是一種基于投影域的迭代降噪技術，該算法具有9個等級，降噪效果隨等級升高而增強，但在高權重情況下圖像會出現“塑料化偽影”。參考相關文獻［9］，本研究選用KARL 5級對對照組圖像進行重建。目前，DL圖像重建算法在CT低劑量成像方面展現了更大的優勢［10］。DL算法以高劑量下的FBP圖像作為訓練模型，對低劑量圖像進行校正和優化，可獲得出色的圖像質量，提升影像醫生的診斷信心［11］。

本研究A組采用的固定100 mA，與常規三期增強（采用的劑量調制為3，平均160 mA）劑量相比，已經進行了劑量下調，固定毫安未采用劑量調制2級是為了降低輻射劑量，劑量調劑技術會通過掃描定位圖像確定相應部位掃描劑量曲線，開啟后由于全腹組織結構特點，整體平均劑量會高于100 mA。B組采用了最低劑量調制等級（1級），管電流約為劑量調制3級的30%，平均57 mA，因此為了保證低劑量圖像可用于診斷，本研究采用了DL算法最高等級（4級）降噪。研究結果顯示與A組相比，噪聲下降了48%，腎皮質SNR明顯增加。但2組間腎盂和輸尿管的SNR值差異無統計學意義，可能是患者多存在泌尿系疾病，對比劑在人體內代謝的差異較大所致［12］，不同于人體正常組織臟器，CT值變化幅度較小。B組腎皮質、腎盂、輸尿管CNR均高于A組，表明低劑量DL圖像有望可達到或者超越正常劑量CT圖像質量。同時提示，對于CTU圖像質量的評估，采用CNR更能反映圖像質量。劉磊等［13］的研究中未對SNR進行比較，可能也考慮到這一點。主觀上，二維圖像質量雖均可診斷，但B組圖像質量評分明顯高于A組，主要原因一方面是A組劑量已經較低，KARL 5級降噪效果有限；另一方面是因為低劑量下DL算法降噪效果明顯，在主觀上有著更好的視覺辨識度。2組三維圖像質量相當，可能是因為VR和MIP受圖像噪聲影響較小。吳巧玲等［14］的研究表明，DL算法在胰腺低劑量增強CT檢查中明顯改善圖像質量，與本研究結果一致，但其研究中提到高等級的深度學習算法圖像主觀感受較平滑，會有些蠟像感，而本研究未出現，可能是算法的訓練模型不一致所致。

本研究也基于患者三期增強的圖像，評估了二維上腎臟占位病變的顯示情況和CTU的常見征象。結果表明除A組1例膀胱占位CTU顯示與三期增強顯示不一致外，其余征象顯示率均為100%。這說明采用低劑量聯合DL算法可保證病變的檢出。Zhang等［15］的研究表明超低劑量下DL重建算法可保證泌尿系結石的診斷準確性和圖像質量，與本研究結果類似。膀胱占位出現陽性率超100%，是因為患者檢查前準備不充分未使膀胱充盈，CTU檢查占位病變得到充分顯示，這也間接表明CTU檢查的必要性［16］。輻射劑量上，與A組相比，有效輻射劑量降低約41.93%，這極大地降低泌尿系增強聯合CTU患者的劑量負擔。

本研究有一定局限性：①只是在增強后CTU探索低輻射劑量CT掃描，今后可繼續在平掃、增強三期行低劑量CT掃描。②B組采用的低劑量仍有下降空間，需進一步挖掘DL算法降低輻射劑量的潛能。

綜上，深度學習重建算法的應用可顯著提高低劑量CTU圖像質量，且保證其診斷能力，是間接降低患者輻射劑量的有效方式，具有可靠的臨床實用性。