基于深度学习的扫描范围优化可降低冠状动脉CT血管造影的辐射暴露
本研究利用1507例CT定位像训练深度神经网络自动勾画冠状动脉CT血管造影(CCTA)的扫描范围,并在内部233例和外部298例定位像上验证。网络勾画的扫描范围与放射科医师的Dice评分达96.5%,相比放射技师临床常规勾画的扫描范围,内、外部验证队列的有效剂量分别降低10.0%和12.6%,差异有统计学意义。
要点
- 深度学习网络可高精度自动勾画CCTA扫描范围,与放射科医师勾画结果的Dice评分为96.5%。
- 自动扫描范围较放射技师常规勾画范围在内、外部验证队列分别降低有效剂量10.0%和12.6%。
- 网络生成的扫描范围在内部和外部验证队列中临床可用性均超过99%,表明自动化勾画可用于减少辐射剂量。
核心结论
- 自动勾画扫描范围可降低患者辐射剂量,且与放射科医师勾画的扫描范围高度一致。
- 使用深度神经网络全自动勾画扫描范围,相比人工检查规划可显著降低CCTA期间的辐射暴露,并可减轻放射技师的工作负担。
研究设计与样本
- 回顾性研究,训练队列纳入2010年至2017年间随机选取的1507例CT定位像,由两位放射科医师共识勾画优化扫描范围。
- 内部验证队列为2018年1月至2020年6月随机选取的233例CT定位像,外部验证队列为附近医院2020年7月至2020年12月的298例CT定位像。
- 扫描范围由放射技师在临床常规中勾画,并由专家放射科医师在共识下使用定制工具修订,目标为从主动脉根部上方近端升主动脉至心脏心尖加10 mm安全边界。
- 使用蒙特卡洛模拟在匹配体模上计算有效剂量,并基于CTDIvol和扫描长度用公式估算有效剂量以作比较。
诊断标准与关键数值
- 网络复现放射科医师扫描范围的Dice评分为96.5 ± 0.02(p < 0.001,提示等效)。
- 内部验证队列中网络与放射科医师扫描范围的Dice评分为0.964 ± 0.02,IoU评分为0.93 ± 0.04。
- 外部验证队列中网络与放射科医师扫描范围的Dice评分为0.969 ± 0.019,IoU评分为0.94 ± 0.035。
- 内部验证队列中网络生成扫描范围平均长度为119.9 ± 13.1 mm,放射科医师为119.4 ± 14.6 mm,放射技师为134.8 ± 24.9 mm;外部验证队列中网络为121.0 ± 12.0 mm,放射科医师为121.7 ± 12.8 mm,放射技师为141.1 ± 18.6 mm。
- 内部验证队列中网络生成范围较放射技师范围降低有效剂量10.0%(p = 0.002),外部验证队列降低12.6%(p < 0.001)。
临床应用与阅片要点
- 自动勾画扫描范围可在不损害临床可用性的前提下减少CCTA辐射剂量,网络生成的扫描范围临床可用性超过99%。
- 网络在外部验证队列表现与内部验证队列相似,提示其可泛化至训练集之外。
局限性
- 原文未报告局限性
全文中译15 节 · 点击展开
引言
胸痛是一种常见的主诉,可能是冠状动脉疾病(CAD)的症状。冠状动脉计算机断层扫描血管造影(CCTA)可用于无创诊断CAD。尽管CCTA受多种因素影响,如图像采集参数、心率增快和高冠状动脉钙负荷,但CCTA具有97–99%的极高阴性预测值[1, 2],可用于以极高概率排除CAD [3, 4]。因此,对于疑似急性冠状动脉综合征且CAD验前概率为中低度、心脏肌钙蛋白或心电图正常或不能确定结论的患者,推荐CCTA作为有创血管造影的替代方法。对于稳定性胸痛患者,当CAD验前概率为中低度且预期可获得良好CCTA图像质量时,欧洲心脏病学会(ESC)推荐CCTA作为一线诊断方法[5]。
CCTA的优点在于其为无创方法,相较于冠状动脉造影等有创方法具有优势,同时并发症风险低。然而,在CCTA检查过程中,患者会受到辐射暴露,而辐射是罹患癌症的危险因素[6–8]。因此,在临床常规中,应用ALARA(As Low As Reasonably Achievable,即在合理可行条件下尽可能低)原则以尽量减少与辐射暴露相关的潜在风险[9]。已开发出多种降低CT辐射剂量的技术,如自动管电流调制、自动管电压选择、迭代图像重建和自适应剂量屏蔽[10–14]。
因此,近年来CCTA的平均有效剂量有所下降;例如,Stocker等报告2007年至2017年间降低了78% [10],而Schmermund等报告2009年至2014年间下降约55% [11]。
扫描范围是CT中与辐射剂量直接相关的另一个重要因素[15]。在临床常规中,扫描范围通常由放射技师在CT定位像上界定;因此,扫描范围不仅表现出较高的阅者内和阅者间变异性,而且由于扫描范围过窄会导致CT扫描重复,放射技师常将扫描范围界定得比必要范围更大,从而导致不必要的高辐射暴露。因此,需要一种更优化和自动化的扫描范围,在不影响图像质量的情况下缩短扫描范围长度,同时减少放射技师的阅者间和阅者内变异性,从而获得更一致的CCTA扫描。此外,这种自动化还将减少放射技师的工作量。然而,尚未开发出用于生成CCTA扫描范围的自动化方法。
近年来,使用机器学习,尤其是深度学习方法的自动化变得越来越可行[16]。因此,本研究旨在利用深度学习方法开发并评估CCTA中扫描范围的全自动界定,以降低辐射剂量。
材料和方法
本回顾性研究获得了当地伦理委员会的伦理批准(埃森大学医院机构审查委员会;注册号19–8999-BO)。由于研究的回顾性性质,豁免了书面知情同意。本研究按照所有相关指南和法规进行。
患者
研究人群由三个队列组成:训练队列、内部验证队列和外部验证队列。所有队列均通过查询放射信息系统进行回顾性收集。
对于训练队列,从2010年1月至2017年12月期间接受冠状动脉CT检查的患者中随机选取2000张来自冠状动脉CT血管造影(CCTA)或钙化评分扫描(CACS)的CT定位像。排除未成年人(< 18岁)或像素间距大于1.0 mm的CT定位像以确保数据同质性。仅将既往搭桥手术作为排除标准;患者不因其他疾病(如脊柱侧弯、后凸畸形等)而被排除。所有CT定位像由两名放射科医师共识审阅(D.B.,具有5年辐射安全经验和专业知识;K.N.,具有20年CCTA经验和专业知识),若心脏未被完整采集或图像质量被认为不足以勾画相应区域(例如患者在采集过程中移动),则予以排除。
内部验证队列由500张随机选取的CT定位像组成,采用相同的纳入和排除标准。已纳入训练队列患者的CT定位像被剔除。由于目标是测量辐射剂量的降低,无后续CCTA的患者定位像被排除。
最后,与内部验证队列类似,外部验证队列由来自合作医院(德国埃森Elisabeth医院)的CT定位像组成,采用相同的纳入和排除标准。
最终,1507张CT定位像用于训练、233张用于内部验证、298张用于外部验证(图1)。
扫描采集
CT定位像的采集在前后方向上于吸气状态下使用多台现代多层CT扫描仪(Siemens Healthineers)完成(表1)。所有病例的管电压固定,在90至120 kV之间,管电流在20至36 mA之间变化。采集CCTA时,根据CT扫描仪和患者个体特征使用不同的检查方案(见电子补充材料1)。采集使用自动管电流调节,主要采用前瞻性自适应触发。
扫描范围勾画
所有CT定位像均包含放射技师在临床常规中勾画的扫描范围。此外,放射技师先前在定位像上勾画的扫描范围由专家放射科医师(D.B.和K.N.)共识使用定制工具进行了修订,目的是将扫描范围限制在主动脉根部上方近端升主动脉至心脏心尖加10 mm安全边缘。因此,每张定位像有两个标注,一个由放射技师在临床常规中完成,一个由专家放射科医师完成(图2)。
辐射剂量评估
辐射剂量以不同扫描范围的有效剂量(ED)报告,依据国际放射防护委员会第103号出版物[17]的定义,并通过商业软件(Radimetrics,Bayer Pharmaceuticals)在与所采集CT匹配的体模上进行蒙特卡洛模拟计算。该软件通过选择合适尺寸的体模来考虑患者体型;通过使用CTDIvol读数来隐含地考虑心电图门控。
ED还基于CTDIvol和扫描长度进行计算,以将更复杂的蒙特卡洛模拟值与更直接估算值进行比较。为此,使用了公式,其中是主要取决于所扫描身体部位的转换因子。根据Trattner等[18],设为0.026 mSv/(mGy × cm)。女性的ED通过0.045 mSv/(mGy × cm)的因子进行校正,以考虑乳腺[19]。
神经网络训练
三种不同的预训练网络架构被微调用于扫描范围的检测:Cascade R-CNN [20]、VFNet [21]和YOLOX [22]。选择这些网络是因为它们在多个基准数据集上表现出非常高的性能。Cascade R-CNN通过采用多阶段检测器改进了常用的Faster R-CNN [23],其中每个阶段细化前一阶段的预测以获得高精度。相比之下,VFNet是单阶段检测器,但引入了特定的损失函数,以优化交并比感知的分类评分,该评分同时衡量检测和分类精度。此外,它在多个尺度上运行,以允许检测不同大小的对象。最后,YOLOX是单阶段多尺度网络,但应用了许多技巧使网络尽可能快,同时仍保持高精度。
为了决定这些网络中哪个表现最佳(以最高Dice评分衡量),我们在训练期间使用了五折交叉验证。然后,在内部和外部验证队列上评估表现最佳的模型。训练过程的详细描述见电子补充材料1,方法。
评估
训练最终模型后,使用内部和外部验证队列评估性能,两者均未用于训练。
首先,使用五项测量指标将自动生成的扫描范围与放射科医师的扫描范围进行定量比较:Dice评分、交并比(IoU)评分,以及总扫描长度和上下边界的绝对差值(以mm计)。这些指标量化了两个扫描范围之间的重叠和差异。
其次,通过确定扫描范围是否能完全覆盖冠状动脉,对生成的扫描范围的实用性进行了定性评估。为此,放射科医生通过标注冠状动脉不再可见的最头侧和尾侧层面,在验证队列中为每个CCTA扫描创建了共识性真实标注。然后通过计算准确率进行评估,换言之,即计数在CCTA扫描中冠状动脉未被完全覆盖的频率。
最后,为检验生成的扫描范围可降低患者辐射暴露的假设,计算并比较了放射技师、放射科医生和生成的扫描范围的估计辐射剂量。为此,使用有效剂量作为辐射剂量指标。进行了亚组分析,以评估有效剂量方面的辐射剂量降低是否与性别相关。
统计分析
描述性数值以均值 ± 标准差报告。使用χ2检验和(配对)t检验评估队列之间的差异。p值低于0.05被认为表明具有统计学显著差异。
基于双侧Wilcoxon符号秩检验、界限为5 mm的等效性检验用于检验网络生成的扫描范围与放射科医生的扫描范围相似的假设。采用界限为2.5 mm的相同检验来检验上下边界的等效性。
辐射暴露降低的评估基于以下假设:在常规管电压CCTA检查中,患者辐射剂量至少降低5%才具有临床意义。因此,假设平均辐射剂量为10 mSv [15],基于单侧Wilcoxon符号秩检验、界限为0.5 mSv进行了优效性检验。
统计分析使用Python 3.8中的statsmodel库进行。所有建模和统计均由一位机器学习专家(A.D.,具有15年机器学习和计算机视觉经验)完成。
结果
所有患者的平均年龄为59.1 ± 13.8岁(范围:18.1–92.3岁),其中女性819例,男性1154例(表2);队列之间在年龄和性别方面存在统计学显著差异。
生成的扫描范围与放射科医生扫描范围的比较
所有网络在交叉验证中表现非常接近(表3;电子补充材料1);然而,VFNet的表现略优于其他两个网络,Dice评分为0.966 ± 0.021,而Cascade R-CNN为0.965 ± 0.022,YOLOX-S网络为0.963 ± 0.022。
因此,选择VFnet作为最终模型。在内部验证队列中,其相对于放射科医师扫描范围的Dice评分为0.964 ± 0.02,IoU评分为0.93 ± 0.04(表3)。生成的扫描范围平均长度为119.9 ± 13.1 mm(图3),与放射科医师的扫描范围(119.4 ± 14.6 mm)非常接近。以5.0 mm为限的等效性检验未提示差异(p < 0.001);两者扫描范围均显著短于放射技师的扫描范围(134.8 ± 24.9 mm;p < 0.001)。然而,三者均明显长于真实扫描范围,后者为89.2 ± 10.6 mm(p < 0.001)。在上边界处,生成的扫描范围略短(− 0.5 ± 4.7 mm),而在下边界处略长(1.1 ± 6.1 mm)。以2.5 mm为限的等效性检验显示,两个边界处均无统计学显著差异(p < 0.001)。
在外部队列中,网络性能相似:Dice评分为0.969 ± 0.019,IoU评分为0.94 ± 0.035,而生成的扫描范围平均长度为121.0 ± 12.0 mm(图3),放射科医师为121.7 ± 12.8 mm(p < 0.001),两者均短于放射技师的扫描范围(141.1 ± 18.6 mm)。同样,所有扫描范围均长于真实范围(85.7 ± 8.3 mm;p < 0.001)。生成的扫描范围在上边界处略长(1.1 ± 4.0 mm),在下边界处略短(− 1.8 ± 4.9 mm)。在等效性检验下,这些差异不显著(p < 0.001)。
临床实用性
使用CCTA扫描中的真实范围,放射科医师的标注显示心脏解剖成像不完整的比例低于6%(表4)。然而,经检查,其中近一半的病例这些错误不会影响诊断(约3%)。网络表现略好,在不到4%的CT定位像中可见扫描范围过短。经检查,这些错误大多仅为边缘性,几乎所有病例仍具有临床实用性,从而使准确率超过99%(表4)。
剂量降低
使用蒙特卡洛模拟估算的mean有效剂量,对于内部验证队列中放射技师的原始扫描范围,为8.1 ± 5.0 mSv(图4和表5,另见电子补充材料1)。对于放射科医师,模拟有效剂量平均为7.3 ± 4.4 mSv;网络的表现几乎相同;剂量降低分别为10.1%和10.0%。以0.5 mSv为限的优效性Wilcoxon符号秩检验表明,降低具有统计学显著性(p < 0.001和p = 0.002)。
在外部队列中,使用蒙特卡洛模拟估算的mean辐射剂量为7.5 ± 6.4 mSv(图4)。放射科医师的模拟mean辐射剂量为6.7 ± 5.9 mSv,网络为6.5 ± 5.8 mSv,分别对应剂量降低0.8 mSv(10.6%)和0.9 mSv(12.6%)(表5)。在两种情况下,优效性检验均具有统计学显著性(p = 0.005和p < 0.001)。按性别分组后也观察到类似结果,尽管女性吸收了更高的绝对辐射剂量。
通过基于CTDIvol和扫描长度的公式计算ED时,总体辐射剂量更高(内部队列为11.8 ± 7.2 vs. 8.1 ± 5.0 mSv,外部队列为10.0 ± 7.9 vs. 7.5 ± 6.4 mSv),但相对剂量降低相似(见电子补充材料1)。
讨论
在本研究中,我们开发了一种使用深度神经网络的全自动扫描范围勾画方法,以减少心脏CT检查期间的辐射暴露。
我们的研究表明,VFNet能够生成高度准确且与专家放射科医师相当的扫描范围,Dice评分高于0.95,IoU评分高于0.93。所生成扫描范围的总长度也与放射科医师的扫描范围非常接近,两端边缘的mean差异也是如此。该网络在内部和外部验证队列中均表现出同样良好的结果,表明它能够泛化到训练集之外。
将生成的扫描范围与放射技师的扫描范围进行比较,观察到减少约15–20 mm。放射技师总体上在7例中表现为成像不完整,而放射科医师在15例中如此。然而,网络总体上仅在7例中失败,这表明网络能够“穿过噪声”学习,并生成更同质且临床有用的扫描范围。在这方面,它的表现与放射技师相似,同时仍能够缩短扫描范围的长度。
关于以有效剂量表示的辐射剂量,与放射技师确定的扫描范围相比,该网络平均能够将其降低约0.8–0.9 mSv(10.6–12.6%),这与放射科医师的估计剂量降低(0.8 mSv,10.1–10.6%)相当。与临床常规中放射技师的扫描范围相比,有效剂量的降低具有统计学显著性。由于与放射技师相比,两者的标准差变异均较小,可以认为生成的扫描范围比放射技师的更为均匀;也就是说,它们表现出更小的个体内变异。
我们使用复杂的蒙特卡洛模拟计算了有效剂量(ED),但由于可以假定扫描期间辐射剂量相对均匀,ED应直接与扫描长度相关,因此可以直接计算。事实上,我们的结果显示相对节省量相当,尽管直接计算导致了更高的总体剂量。这一差异可能归因于胸部特异性转换因子0.026 mSv/(mGy × cm),高于先前报道的0.021 [24]。然而,这一较高的因子已被证明更为精确 [18, 25],并因此在其他几项研究中被采用 [10, 26, 27]。无论如何,我们的方法在两种方法下均产生了相似的相对剂量降低,因此在临床常规中应具有价值。
我们观察到训练队列、内部验证队列和外部验证队列之间在性别和年龄方面存在意外的分布不均。由于这些队列是按顺序入组的,我们怀疑这些差异是由于在我们机构进行的其他前瞻性研究所致。无论如何,该网络表明其能够泛化超越性别和年龄,因为在所有队列中均观察到相似的剂量降低。
如上所述,更好地界定扫描范围并非减少辐射暴露的唯一方法 [28–30]。Hausleiter等人确定了影响冠状动脉CT血管造影(CCTA)辐射剂量的几个因素 [31]。他们发现,尤其是管电流调制和管电压,以及序贯扫描,可以大幅降低辐射暴露。这些方法可以与我们的扫描范围自动化相结合,进一步降低患者的辐射剂量。Hausleiter等人还评估了扫描范围对辐射剂量的影响,指出扫描范围每减少1 cm对应于辐射剂量降低5% [15],而最近LaBounty等人获得了6%的降低 [32]。我们的结果支持这些分析,我们在验证队列中观察到每1 cm分别降低6.6%和6.3%。
多项研究探索了通过其他方式优化扫描范围的可能性。Jin等使用冠状动脉钙化扫描(CACS)而非CT定位像来缩小扫描范围,并表明该方法可使冠状动脉CT血管成像(CCTA)的有效剂量(ED)最多降低20%,具体取决于患者特征[33]。然而,他们报告CACS带来的额外辐射暴露并未导致总体辐射暴露降低。相比之下,使用类似方法,Leschka等报告与使用CT定位像相比,总剂量降低约11%(1.2 mSv)[34]。作为比较,Zimmermann等报告降低约6%(0.6 mSv)[35]。Young等表明,通过仅包括近段和中段冠状动脉,可缩短CACS的扫描长度;以此方式,他们将CACS的辐射剂量降低了59%,并降低了总体ED[36]。最近,Duerden等证明可使用超低剂量计划扫描进行扫描范围界定[27]。虽然与从CT定位像推断的扫描长度相比,扫描长度确实缩短了(117 mm vs. 124 mm;p = 0.007),但未观察到辐射暴露的显著降低。我们的方法表明,如果优化CT定位像的扫描范围,则可完全绕过CACS或计划扫描等额外采集。因此,可在不增加时间支出的情况下降低辐射暴露。
一个主要局限性是CT定位像是在单一厂商的CT扫描仪上采集的。因此,尚不清楚我们的网络是否能推广到其他厂商扫描仪采集的CT定位像。然而,可以假设情况确实如此,因为CT扫描测量的是绝对HU值,而不同CT扫描仪之间的HU值应非常相似。对于使用比我们的扫描仪更低的管电压以降低辐射暴露的更现代CT扫描仪,这同样应适用[10]。在这种情况下,我们预计尽管总体辐射剂量降低幅度会较小,但相对降低幅度仍将具有可比性。
另一个局限性是采集几乎总是采用前瞻性门控进行。因此,我们的模型在回顾性门控上的应用仍需测试。此外,我们排除了接受冠状动脉旁路移植术(CABG)的患者,因为CABG会改变定位像中冠状动脉主动脉的表现。然而,由于所有患者中仅有约3%接受过CABG,这并未显著削弱我们方法的实用性。该网络可能能够处理此类定位像,但队列中应纳入更多此类患者以实现成功训练。
尽管该网络能够生成可降低患者总体辐射暴露的扫描范围,但仍有改进空间,因为真实扫描范围比放射科医师和网络的扫描范围短得多,约短30–35 mm。然而,由于呼吸效应,必须保留一定的安全裕度;否则,CCTA很可能需要重复扫描,从而削弱较短扫描范围带来的正面效果。
总之,我们提出了一种使用深度神经网络对心脏计算机断层扫描血管成像进行全自动扫描范围界定的方法,可使患者的辐射暴露最多降低12.6%。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 115 kb)
引用
- Demircioğlu A, Bos D, Demircioğlu E, et al. Deep learning-based scan range optimization can reduce radiation exposure in coronary CT angiography. Eur Radiol. 2023. PMID: 37552254. doi:10.1007/s00330-023-09971-9
- 全文:PMC10791769(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10791769/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。