文献速递神经头颈CT

颞骨高分辨率CT深度学习重建与混合迭代重建的图像质量比较

Deep learning reconstruction for high-resolution computed tomography images of the temporal bone: comparison with hybrid iterative reconstruction.
PubMed 文献 · Neuroradiology · 2024-03-22

这项回顾性研究纳入36例患者,比较深度学习重建(DLR)与混合迭代重建(HIR)在颞骨高分辨率CT中的图像质量。结果显示DLR图像噪声显著降低,耳囊、听小骨和鼓膜的显示显著改善,整体图像质量显著优于HIR,定量噪声和对比噪声比也显著更优。

要点

  • DLR较HIR显著降低颞骨高分辨率CT的定性和定量图像噪声。
  • DLR较HIR显著改善耳囊、听小骨和鼓膜的显示(两位阅片者p≤0.003)。
  • DLR较HIR显著提高整体图像质量和对比噪声比(p<0.001)。

核心结论

  • 与HIR相比,DLR提供了显著更高质量的颞骨高分辨率CT图像。

研究设计与样本

  • 回顾性研究纳入36例患者(15男21女,年龄53.9±19.5岁),排除4例12岁以下儿童(其图像仅用于训练)。
  • 使用单台CT机(Aquilion One: Canon Medical Systems)行颞骨高分辨率CT容积扫描,管电压120 kVp、管电流200 mA、机架旋转时间1000 ms、数据采集直径240 mm。
  • 基于源数据重建DLR(Advanced intelligent Clear-IQ Engine,内耳标准)、HIR(Adaptive Iterative Dose Reduction,FC80)和FBP(FC80)图像。
  • 重建参数均为视野80 mm、层厚/间隔0.5 mm/0.5 mm、轴位平面,并行多平面重建得到轴位和冠状位图像(层厚/间隔1 mm/1 mm)用于分析。

关键影像表现/征象

  • 图4示DLR图像中鼓膜穿孔(箭头)显示更清晰。
  • 图2示70岁女性DLR与HIR图像中耳囊(箭头)显示评分(DLR/HIR)阅片者1和2均为5/3。
  • 图3示73岁女性DLR与HIR图像中听小骨(箭头)显示评分(DLR/HIR)阅片者1为5/3、阅片者2为4/3,鼓膜显示评分阅片者1为5/3、阅片者2为3/3。
  • 图4示58岁男性DLR与HIR图像中鼓膜(箭头)显示评分(DLR/HIR)阅片者1为5/3、阅片者2为4/3。
  • 图5示62岁女性软组织窗DLR与HIR图像中噪声评分(DLR/HIR)阅片者1为5/3、阅片者2为5/4。

诊断标准与关键数值

  • 定性分析采用5分Likert量表(5=优于FBP,4=稍优于FBP,3=与FBP相等,2=稍差于FBP,1=差于FBP),DLR和HIR图像均与FBP图像比较。
  • 结构显示评分:耳囊、听小骨、鼓膜在DLR图像较HIR图像显著改善(两位阅片者p≤0.003);一位阅片者评骨螺旋板和蜗轴显示DLR显著优于HIR(p<0.001)。
  • 定性图像噪声:DLR图像较HIR图像显著降低(两位阅片者p<0.001);整体图像质量DLR较HIR显著改善(两位阅片者p<0.001)。
  • 定量图像噪声:轴位DLR 32.2 HU vs HIR 39.4 HU,冠状位DLR 26.4 HU vs HIR 29.0 HU,DLR均显著更低(p≤0.016)。
  • CNR:轴位DLR 98.1 vs HIR 71.8,冠状位DLR 136.0 vs HIR 109.7,DLR均显著更高(p<0.001)。

临床应用与阅片要点

  • DLR可用于改善颞骨高分辨率CT中小结构(耳囊、听小骨、鼓膜)的显示并降低图像噪声。
  • DLR重建使骨(耳囊)CT值升高、空气(鼓膜腔)CT值降低,从而增大骨-空气对比并提高CNR。
  • DLR边缘上升斜率(2571.5±923.1 HU/mm⁻¹)显著优于HIR(2416.0±846.0 HU/mm⁻¹)(p=0.004),提示空间分辨率可能提高。

局限性

  • DLR算法细节因CT厂商而异,本研究结果不一定适用于其他厂商软件获得的DLR图像。
  • 本研究为回顾性研究,纳入各种病种患者;未来需前瞻性研究评估特定颞骨疾病中的不同重建算法。
  • 空气CT值均值和标准差的阅片者间一致性不高(ICC分别为0.529和0.311)。
  • 尽管阅片者对重建算法设盲,但不同重建算法图像外观不同仍可能带来观察者偏倚风险。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroradiology. 2024 Mar 22;66(7):1105–12. doi: 10.1007/s00234-024-03330-1

引言

颞骨区域是胆脂瘤、听骨畸形、耳硬化症和创伤等疾病的发生部位。计算机断层扫描(CT)在检测和诊断这些疾病的范围方面发挥着重要作用。胆脂瘤患者可见听骨侵蚀或鼓膜穿孔[1]。耳硬化症患者可见耳囊内的脱矿灶[2]。由于所成像的结构——听骨、鼓膜等——体积较小,颞骨高分辨率CT采用靶向视野、薄层扫描和专用重建卷积核。这些技术提高了CT图像的空间分辨率,但也伴随图像噪声的增加。

增加管电流可以降低CT图像噪声。然而,这种方法不可避免地增加了患者的辐射暴露。2010年代,迭代重建算法因在降低图像噪声方面优于传统滤波反投影(FBP)而受到广泛关注。全迭代重建可显著降低图像噪声并改善CT图像质量[3–8];然而,相关的图像重建时间延长阻碍了该算法在日常临床实践中的应用。随后,一种可在临床可行的重建时间内一定程度降低图像噪声的混合迭代重建(HIR)算法被广泛接受[9–11]。

深度学习应用近年来在放射学领域受到广泛关注[12–14]。研究表明,深度学习不仅可应用于辅助放射科医师诊断疾病[15–17],还可用于改进图像重建过程。深度学习重建(DLR)就是这样一种算法[18]。在DLR的监督训练中,低质量数据和质量图像分别作为输入和参考数据。已知训练后的DLR可降低图像噪声[19],从而改善头部[20, 21]、胸部[9]、腹部[10, 19, 22, 23]和椎体[11, 24, 25]等不同区域的CT图像质量。因此,我们假设DLR也可以改善颞骨高分辨率CT的图像质量。据我们所知,尚无已发表的研究评估DLR与HIR相比如何改善该区域的高分辨率CT图像质量。因此,在本研究中,我们探讨了DLR与HIR相比是否能改善此类图像的质量。

方法

本回顾性研究经我院机构审查委员会批准,并豁免了获取患者书面知情同意的要求。

患者

一名放射科医师(放射科医师A,具有5年影像经验)检索了2023年5月至2023年7月期间所有连续接受颞骨高分辨率CT检查的患者。在符合该标准的40例患者中,年龄小于12岁者(n = 4)被排除在最终分析之外,尽管其图像被用于后续将描述的培训课程中。最终,本研究纳入36例患者(男15例,女21例;年龄53.9 ± 19.5岁)。

CT成像

所有患者均使用单台CT机(Aquilion One:佳能医疗系统,日本大田原)进行成像。颞骨区域以容积扫描模式成像,参数如下:管电压120 kVp;管电流200 mA;机架旋转时间1000 ms;数据采集直径240 mm。基于原始数据,采用DLR(高级智能Clear-IQ引擎[内耳标准模式]:佳能医疗系统)、HIR(自适应迭代剂量降低[FC80]:佳能医疗系统)及FC80的FBP重建右侧颞骨高分辨率CT图像。FC80为用于颞骨评估的卷积核。DLR、HIR和FBP重建的所有参数均相同:视野80 mm;层厚/层间距0.5 mm/0.5 mm;平面为轴位。对轴位图像进行多平面重建,并重建轴位和冠状位图像(两者层厚/层间距均为1 mm/1 mm)。所得图像(轴位和冠状位图像,层厚/层间距均为1 mm/1 mm)用于本研究分析。

定性图像分析

两名放射科医师(读片者1和2,影像工作经验分别为9年和5年)使用Image J软件(https://imagej.net/ij/)进行定性图像分析。在此工作开始前,一名放射科医师(放射科医师B,影像工作经验13年)对图像集进行了随机化。读片者对患者的临床背景和图像重建算法均不知情。此前,为熟悉研究评分系统(稍后详述),两名设盲读片者参加了一次培训课程,使用被排除在最终分析之外的4例儿科患者的CT图像。向读片者展示两种重建算法(DLR和FBP,或HIR和FBP)的图像,默认窗宽4500 HU、窗位250 HU,读片者可根据需要自行调整。读片者使用改良自既往文献[26]的Likert量表独立评估图像集,具体如下:结构显示(即骨螺旋板、蜗轴、耳囊、听小骨、鼓膜)采用5分制(5=优于FBP,4=略优于FBP,3=与FBP相当,2=略差于FBP,1=差于FBP)

噪声采用5分制(5=噪声少于FBP,4=噪声略少于FBP,3=噪声与FBP相当,2=噪声略多于FBP,1=噪声多于FBP)

整体图像质量采用5分制(5=优于FBP,4=略优于FBP,3=与FBP相当,2=略差于FBP,1=差于FBP)

将DLR和HIR图像与FBP图像进行比较,因为该方法预期能可靠地检测图像质量差异[26]。

定量图像分析

在放射科医师B的监督下,放射科医师A在轴位和冠状位图像上,将直径为1–1.5 mm的感兴趣区放置于耳蜗内侧耳囊(骨)和鼓室腔(空气)的均匀部分。这些位置在患者之间几乎相同。使用感兴趣区的复制粘贴功能以确保在DLR和HIR图像上位置和大小一致。放置感兴趣区后,记录这些区域CT衰减值的均值以及空气CT衰减值的标准差(即定量图像噪声)。采用以下公式计算对比噪声比(CNR),其中CTBONE和CTAIR分别为骨和空气的CT衰减值。这些测量也由放射科医师B完成,主要分析使用平均值。

与既往研究[27, 28]类似,放射科医师B在轴位图像上放置一个经过锤骨柄的线性感兴趣区(图1a)。本分析中也使用感兴趣区的复制粘贴功能,以确保在DLR和HIR图像上位置和大小一致。根据沿感兴趣区的CT衰减轮廓,计算边缘上升斜率[29, 30](图1b)。

图1 A在轴位图像上放置一个垂直于锤骨柄的线性感兴趣区。b根据沿感兴趣区的CT衰减轮廓,计算边缘上升斜率(ERS),取两侧斜率的平均值 查看原图 ↗

统计分析

所有统计分析均使用EZR软件应用程序1.55版进行,该软件是基于R软件应用程序4.1.2版(The R Foundation for Statistical Computing,奥地利维也纳)的图形用户界面。DLR和HIR定性图像分析的评分使用Wilcoxon符号秩检验进行比较。DLR和HIR定量图像分析的数值使用配对t检验进行比较。p值小于0.050被认为表示差异有统计学意义。定量测量的评分者间一致性使用组内相关系数(ICC)计算。

结果

定性图像分析

表1呈现了定性图像分析的结果。图2、3、4和5包含具有代表性的CT图像。与HIR图像相比,两位读者对DLR图像中耳囊、听小骨和鼓膜显示的评分在统计学上显著改善(p ≤ 0.003)。一位读者对DLR图像中骨螺旋板和耳蜗轴显示的评分显著优于HIR图像(p < 0.001)。与HIR图像相比,DLR图像的定性图像噪声被评为显著降低(两位读者,p < 0.001)。此外,两位读者均评定DLR图像的整体图像质量较HIR图像显著改善(p < 0.001)。

表1 定性图像分析结果 查看原表 ↗
图2 一名70岁女性患者经深度学习重建(DLR)和b混合迭代重建(HIR)后的计算机断层扫描(CT)图像。读者1和读者2对耳囊(箭头)显示的评分分别为5/3和5/3(DLR/HIR) 查看原图 ↗
图3 一名73岁女性患者在a深度学习重建(DLR)和b混合迭代重建(HIR)后的计算机断层扫描(CT)图像。读片者1和读片者2对听小骨(箭头)显示的评分分别为5/3和4/3(DLR/HIR),对鼓膜显示的评分分别为5/3和3/3(DLR/HIR)。 查看原图 ↗
图4 一名58岁男性患者在a深度学习重建(DLR)和b混合迭代重建(HIR)后的计算机断层扫描(CT)图像。a图中鼓膜穿孔(箭头)显示更清晰。读片者1和读片者2对鼓膜显示的评分分别为5/3和4/3(DLR/HIR)。 查看原图 ↗
图5 一名62岁女性患者在a深度学习重建(DLR)和b混合迭代重建(HIR)后的计算机断层扫描(CT)图像,以软组织窗设置显示。读片者1和读片者2对图像噪声的评分分别为5/3和5/4(DLR/HIR)。 查看原图 ↗

图像定量分析

表2总结了图像定量分析的数据。DLR图像的骨CT衰减值(轴位和冠状位图像分别为1993 HU和2247 HU)显著高于HIR图像(轴位和冠状位图像分别为1769 HU和1876 HU),轴位和冠状位图像的p值均< 0.001。另一方面,DLR图像的空气CT衰减值(轴位和冠状位图像分别为− 939 HU和− 955 HU)显著低于HIR图像(轴位和冠状位图像分别为− 900 HU和− 913 HU),轴位和冠状位图像的p值均< 0.001。DLR图像的定量图像噪声(轴位和冠状位图像分别为32.2 HU和26.4 HU)显著低于HIR图像(轴位和冠状位图像分别为39.4 HU和29.0 HU),轴位和冠状位图像的p值均≤ 0.016。DLR图像的CNR(轴位和冠状位图像分别为98.1和136.0)显著高于HIR图像(轴位和冠状位图像分别为71.8和109.7),轴位和冠状位图像的p值均< 0.001。骨CT衰减值、空气CT衰减值和定量图像噪声的评估者间一致性分别为0.762、0.529和0.311。

DLR的边缘上升斜率(2571.5 ± 923.1 HU/mm−1)显著优于HIR(2416.0 ± 846.0 HU/mm−1)(p = 0.004)。

表2 图像定量分析结果 查看原表 ↗

讨论

颞骨高分辨率CT一直与相对明显的图像噪声相关。在本研究中,我们发现DLR成功降低了图像噪声,并改善了耳囊、听小骨和鼓膜的显示。本研究的两位读片者也将DLR图像的总体质量评分显著高于HIR图像。

耳囊、听小骨和鼓膜的CT图像有助于诊断耳硬化症、胆脂瘤、畸形和创伤等疾病。在本研究中,与混合迭代重建(HIR)相比,深度学习重建(DLR)可显著改善这些结构的显示。DLR改善颞骨结构显示的原因之一可能与该技术降低图像噪声有关。多项针对其他身体区域的DLR重建研究发现,与HIR图像相比,DLR图像的图像噪声显著降低[9–11, 19–25]。本研究评估了颞骨区域的图像噪声,结果与上述早期研究一致。对感兴趣结构(尤其是耳囊和听小骨)显示更优的另一个可能原因,可能是DLR获得的更高对比噪声比(CNR)值,该值基于骨和空气的测量。Higaki等利用体模研究通过调制传递函数评估空间分辨率,报告DLR在100 HU和200 HU任务对比度下的空间频率高于HIR[31]。DLR提高空间分辨率的潜力可能是上述发现的另一因素。本研究中发现的DLR边缘上升斜率值高于HIR,也支持这一观点。

在本研究中,与HIR图像相比,DLR图像中耳囊骨的CT衰减值增加。另一方面,与HIR图像相比,DLR图像中鼓腔空气的CT衰减值降低。关于DLR对结构CT衰减值的影响存在一些争议。在一项腹部CT DLR的系统综述中,据报道DLR与HIR的CT衰减值相似[19]。然而,根据Yamakuni等的报告,观察到DLR与HIR的脑静脉窦CT衰减值存在显著差异[21]。本研究结果与后一报告的发现一致。正如我们在定量图像分析中观察到的,骨与空气之间更大的CT衰减值差异以及降低的图像噪声,有助于DLR的CNR显著高于HIR。

从技术角度来看,CT图像的空间分辨率与图像噪声呈负相关。已知较薄的层厚与图像噪声增加相关[32]。使用锐利重建卷积核与更高的空间分辨率和增加的图像噪声相关[33]。由于颞骨高分辨率CT旨在显示微小结构,通常使用较薄的层厚和较锐利的卷积核,导致图像噪声增加。DLR已针对多个身体区域分别进行训练,以根据临床适应证提供适当的图像。可以说,为内耳评估开发的DLR在空间分辨率和图像噪声之间取得了平衡。

我们的研究有一些局限性。首先,DLR算法的细节因CT厂商而异。因此,我们的研究结果不一定适用于从其他厂商软件获得的DLR图像。其次,我们的研究是回顾性的,纳入了患有各种疾病的患者。然而,在中耳结构的显示方面,改善是显著的。未来有必要开展前瞻性研究,以评估特定颞骨疾病中的不同重建算法。第三,空气CT衰减平均值和标准差的评估者间一致性不是很高。然而,我们通过取两位放射科医师测量值的平均值来努力提高数据的可靠性。最后,尽管图像阅片者对各种图像所用的重建算法设盲,但不同重建算法产生的图像外观不同,仍可能存在观察者偏倚的风险。

结论

总之,DLR显著降低了颞骨高分辨率CT图像的图像噪声,从而改善了对多个结构的显示并提高了整体图像质量。

引用

  1. Fujita N, Yasaka K, Hatano S, et al. Deep learning reconstruction for high-resolution computed tomography images of the temporal bone: comparison with hybrid iterative reconstruction. Neuroradiology. 2024. PMID: 38514472. doi:10.1007/s00234-024-03330-1
  2. 全文:PMC11150291(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11150291/

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。