深度学习CT重建提高肝转移瘤检出率
该回顾性观察性单中心研究纳入121例肝转移瘤患者,比较50%自适应统计迭代重建(ASiR-V)与三种强度深度学习图像重建(DLIR-low、medium、high)对肝转移瘤检出数目及清晰度的影响。结果显示,高年资阅片者使用DLIR-high检出的转移瘤数目中位数为7个,高于其他重建方法的5个(p < 0.001);DLIR-high在转移瘤可见性和轮廓界定方面也优于ASiR-V。
要点
- 高年资阅片者使用DLIR-high检出肝转移瘤中位数7个,ASiR-V为5个(p < 0.001)。
- DLIR-high在转移瘤可见性和轮廓界定方面评分优于其他重建方法。
- 两位阅片者同时发现12例患者DLIR-H检出更多转移瘤,经第三阅片者确认10例。
核心结论
- 高强度DLIR较ASiR-V在统计学上增加了肝转移瘤的检出数目和清晰度,但该结论仅由一位阅片者的检出数目分析支持。
研究设计与样本
- 回顾性观察性单中心研究,纳入121例有肝转移瘤的患者,采用同一台Revolution Evo CT设备,于注射对比剂后90秒采集,重建为50%-ASiR-V及DLIR-low、DLIR-medium、DLIR-high四种图像。
- 由两位盲法阅片者(分别有3年和10年腹部影像经验)独立计数肝转移瘤数目(最多10个),并由第三位阅片者(11年经验)对差异进行确认。
关键影像表现/征象
- 肝转移瘤表现为低强化结节,DLIR-high较ASiR-V可提高转移瘤的可见性和轮廓界定。
- 图2和图3示例显示,ASiR-V上漏诊的低强化转移瘤在DLIR-H上被两位阅片者及第三阅片者检出。
- 图4示例显示,DLIR-H上漏诊的11 mm转移瘤在ASiR-V上被检出。
诊断标准与关键数值
- 转移瘤检出数目以中位数(Q1-Q3)表示:高年资阅片者DLIR-high为7(2-10),DLIR-medium、DLIR-low和ASiR-V均为5(2-10),p < 0.001。
- 主观评分采用5分制(1不可接受、2差、3中等、4好、5优秀),DLIR-high的转移瘤可见性和轮廓界定评分优于其他重建方法。
- 图像噪声在DLIR-L最高,其次为ASiR-V、DLIR-M、DLIR-H(p < 0.001);解剖结构CNR以DLIR-H最高,其次为DLIR-M、ASiR-V、DLIR-L(p < 0.001)。
临床应用与阅片要点
- 作者认为,高强度DLIR可在临床肿瘤影像中用于帮助克服CT的局限性,并适合用于肝转移瘤分期和随访。
- 作者指出,DLIR-high检出的额外转移瘤多数小于10 mm,可能影响治疗决策(如手术或消融规划)。
局限性
- 本研究为回顾性研究,仅使用单台CT和单一制造商的DLIR。
- 纳入标准仅基于最终CT报告,未事先经本中心确认,但所有病例均有原发癌的组织病理学证据。
- 仅纳入有肝转移瘤的患者,结果提示DLIR提高的是检出敏感性而非特异性。
- 未根据原发肿瘤类型进行亚组分析。
- 本研究未评估患者管理和结局。
全文中译14 节 · 点击展开
引言
肝转移瘤的早期检测在治疗方案选择和长期预后中起着重要作用,并且主要依赖于CT [1]。
为从原始数据获取图像,可使用多种算法,其中迭代重建最为普遍。自适应统计迭代重建-V(ASiR-V)(GE-HealthCare®)是一种混合迭代重建技术,根据用户偏好以不同比例与滤波反投影联合使用。每个像素的测量值被重新估计,并通过代数噪声模型与理想预测值进行比较。该过程重复进行,直至估计值与理想值之间达到一致,从而在保持图像质量的同时降低噪声 [2]。
肝转移瘤的检测可能具有挑战性,通过混合迭代重建方法进行的CT具有一定局限性。已有研究表明,使用高比例ASiR可导致图像质量降低,使其呈现塑料样外观或异常模糊的纹理,从而限制了降噪的潜力 [3]。将CT与MRI进行比较时,10%的胰腺导管癌肝转移瘤被遗漏 [4],高达32%被判定为不确定 [5]。此外,CT扫描对检测小于10 mm的病灶敏感性较低 [6]。
基于深度学习的重建现已可用,旨在显著降低图像噪声 [7, 8]。深度学习图像重建(DLIR)TrueFidelity(GE-HealthCare®)是一种基于卷积神经网络的新型重建方法。该网络使用数千个来自患者和体模的高质量CT数据集进行训练,这些数据集通过滤波反投影采集。它通过将低剂量方案的原始数据与训练阶段获得的最佳数据进行比较来增强原始数据。对噪声、低对比度分辨率和纹理等参数进行分析和比较。两个数据集之间的差异被最小化,以获得最佳可能的图像。该过程已通过学习阶段得到优化 [9]。制造商配置了三个可选择的深度学习强度级别(DLIR-低、DLIR-中、DLIR-高),可供临床医生使用,以在不影响重建速度的情况下提供不同程度的降噪。
与迭代重建相比,这些重建在相同辐射剂量下可提供高质量的腹部CT [10–12]。
多项研究探讨了DLIR对肝脏病灶的益处。Jensen等证明,与ASiR-V相比,DLIR对腹部病灶的诊断置信度评分显著更高。然而,他们的研究纳入了所有实体器官病灶,并未专门针对肝转移瘤 [13]。Nakamura等发现,与自适应迭代剂量降低3D(AiDR 3D,Canon Medical System®)相比,DLIR对肝转移瘤显示清晰度的评分更高 [14]。然而,他们未评估病灶检测。Singh等在一项前瞻性多机构研究中表明,DLIR在腹部病灶检测方面与AiDR相当 [15]。在评估的31个病灶中,仅13个为低衰减肝脏病灶,这限制了就转移瘤检测得出明确结论的能力。因此,DLIR对肝转移瘤检测的影响仍不明确。
我们假设,与常规迭代重建相比,这些新重建技术带来的图像增强能够提高肝转移瘤的检出率。我们的主要目的是比较使用三种不同水平的DLIR与50%-ASiR-V所检出的转移瘤数量。我们的次要目的是比较每种重建方式的转移瘤可见度。
方法
这是一项在我们的医学影像科进行的回顾性观察性单机构研究。
患者选择
选取2020年11月至2021年7月期间因癌症初始评估或随访而进行的所有腹部和盆腔CT扫描进入纳入流程。纳入标准为放射学报告中描述存在至少一个低密度肝转移瘤。排除标准为至少缺失一种重建(原始数据丢失、至少一种重建未保存在图像归档和通信系统(PACS)上)、双能采集、年龄小于18岁、富血供转移瘤以及缺乏癌症的组织病理学证据。
成像技术和CT重建
CT扫描使用同一台Revolution Evo系统(GE-HealthCare®)进行,管电压120 kV,电流范围160至500 mA并采用器官剂量调制,螺距1.375,探测器准直40 mm,旋转时间0.70秒,层厚1.25 mm。碘对比剂按每千克体重2 mL的基准根据体重调整给药(平均93 ± 10 mL;范围80-130 mL)(Xenetix 350,Guerbet或Omnipaque 350),经肘静脉以每秒2 mL的注射速率注入。采集于注射后90秒进行。记录容积CT剂量指数(CTDIVOL)和剂量长度乘积(DLP)。
使用DLIR算法TrueFidelity以不同强度水平获得一种标准50%-ASiR-V重建和三种深度学习重建:DLIR-低(DLIR-L)、DLIR-中(DLIR-M)和DLIR-高(DLIR-H)。所有CT扫描在分析前均进行匿名化处理。
CT分析和病灶检测
转移瘤数量评估和主观分析由阅片者1(A.K.,具有三年放射学培训经验)和阅片者2(B.C.,具有十年腹部放射学经验)独立进行。阅片者对重建方法和患者既往病史设盲。两位阅片者在评估前均收到相同且标准化的打印版说明。所有CT扫描被随机分为四个相等的区块,每个区块按患者包含一种随机重建方法(每区块121次扫描)。CT扫描于2021年7月至12月以随机且不同的顺序逐区块进行分析。为避免记忆偏倚,每个区块分析之间遵守一个月的间隔。评估在Advantage工作站(AW3.2,GE-HealthCare®)上进行。阅片者能够根据需要调整窗宽窗位,并使用冠状位或矢状位切面以及最小强度投影。
两位读者分别计数肝转移灶数目,从0个至最多10个。若两位读者均发现DLIR-H重建上的转移灶多于ASiR-V重建(或反之),则由第三位独立放射科医师(B.M.,具有11年腹部影像学经验)对两种重建图像上的病灶数目进行盲法评估,以确认或否定该差异。若存在分歧,则由三位读者进行非盲法共识判读。他们利用所有可用数据(如MRI、既往或后续CT扫描及临床报告)来验证漏诊病灶的转移性质,主要依据其MRI信号特征或随时间的大小变化。
两位读者基于各自主观判断,采用五分制量表对整体图像质量、图像噪声降低程度、肝转移灶可见度及肝转移灶轮廓清晰度进行评分:1-不可接受;2-差;3-中等;4-好;5-优秀。
衰减测量
测量由读者1使用Advantage Workstation完成。感兴趣区(ROI)置于九个解剖结构(表1)及一个随机选择的肝转移灶中心,避开伪影和不规则区域。随后将ROI克隆至每种重建图像的相同位置。图像噪声(N)定义为椎旁肌衰减值的标准差。某结构的对比噪声比(CNR)计算为其平均衰减值与椎旁肌平均衰减值之差的绝对值除以图像噪声:CNRa = │HUa - HUmuscle│/N,(HU:Hounsfield单位)。
统计分析
连续变量根据其统计学分布以均数和标准差(SD)表示。然而,转移灶数目以中位数和四分位距表示。设定10个病灶的任意上限,病灶平均数目似乎不太适合作为结果呈现。一致性(两位读者之间及重建方法之间)采用Lin一致性相关系数评估。结果参照Altman在文献中报告的建议进行解读:< 0.4:无一致性,0.4–7:差的一致性,> 0.7:中等至强一致性[16]。方法间连续变量的比较采用混合模型完成,该模型可考虑患者间和患者内变异性(即受试者作为随机效应)。对这些模型残差的正态性采用Shapiro-Wilk检验和图形展示进行分析。适当时,对因变量进行了对数转换。统计分析由B.P.使用Stata软件(版本15,StataCorp,College Station)完成。所有统计检验均基于双侧I类错误率5%进行。方法间两两多重比较采用Sidak I类错误校正。
结果
患者和病灶特征
本研究共纳入121例患者。纳入流程流程图见图1。患者及原发肿瘤特征列于表2。
病灶检出
资深阅片者(R2)使用DLIR-high检出的转移灶数量更多:7(2–10)(中位数(Q₁–Q₃);总计733),而DLIR-medium、DLIR-low和ASiR-V分别为5(2–10)(p < 0.001)(表3)。初级阅片者(R1)发现不同重建图像之间的转移灶数量无显著差异。
对于12例患者,两位阅片者同时发现DLIR-H检出的转移灶数量高于ASiR-V。这一结果经第三位放射科医师对10例患者予以确认,对另外2例患者予以否定(图2和图3)。通过对照3例患者的后续MRI、3例患者的后续CT以及4例患者的既往CT,进行了共识阅片。在这些病例中,使用DLIR-H在6例患者中各检出1个额外转移灶,在4例患者中各检出2个。这导致14个漏诊病灶,中位大小为7 mm。(详细信息见附录1)。
对于2例患者,两位阅片者均发现ASiR-V检出的转移灶数量高于DLIR-H。仅对1例患者通过使用后续MRI进行共识阅片获得了第三位放射科医师的确认。漏诊病灶大小为11 mm(图4)。
CT主观分析
ASiR-V的图像质量和噪声降低程度较低,并随深度学习级别提高而改善(图5a)。两位阅片者对所有重建图像之间的比较均观察到显著差异(p < 0.001)。两位阅片者均认为DLIR-H的转移灶可见性和轮廓清晰度优于其他重建图像(图5b)。
衰减测量
深度学习图像重建低强度(DLIR-L)的图像噪声显著更高,其次为自适应统计迭代重建-V(ASiR-V)、DLIR-M和DLIR-H(p < 0.001)。各重建算法间解剖结构的对比噪声比(CNR)差异均有统计学意义,其中DLIR-H最高,其次为DLIR-M、ASiR-V和DLIR-L(p < 0.001)。与ASiR-V相比,DLIR-H和DLIR-M检测转移灶的CNR更高(p < 0.001)(表1)。
辐射剂量
平均CTDIVOL和DLP分别为9,2 mGy ± 2,5和512 mGy.cm ± 158。
讨论
本研究旨在比较一种较新的基于深度学习的重建算法(TrueFidelity)与标准迭代重建算法(50%-ASiR-V)在CT检测低密度肝转移灶方面的表现。主要目的是确定DLIR是否会影响检出病灶的数量。高强度DLIR使两名阅片者中的一名检出病灶数量出现统计学增加。此外,与ASiR-V相比,高强度DLIR使两名阅片者能够同时在十名患者中检出更多转移灶。这一结论得到了第三名独立阅片者的证实。作为次要目的,我们比较了两种重建算法间的病灶清晰度。对于两名阅片者而言,与其他重建算法相比,DLIR-high对肝转移灶的可见性和轮廓显示评分更优。
肝转移瘤最常见的病因来源于胃肠道,主要是结直肠癌和胰腺癌[17]。患者的治疗取决于是否存在肝转移。其数量、大小和位置可指导临床医生选择根治性或保守性技术。治疗方式包括切除术、热消融术、立体定向放疗、血管内治疗或全身治疗[18]。许多技术可作为初始CT分期的辅助手段用于肝转移灶的检测。MRI似乎优于CT扫描,尤其是对于< 10 mm的病灶[6, 19]。氟-18-氟脱氧葡萄糖正电子发射断层扫描/CT(PET/CT)也非常敏感,但对小病灶的诊断性能有限[20]。其他技术也已得到评估,如对比增强内镜超声中的Kupffer期成像,对左肝小转移灶具有更优的结果[21]。
消化系统腺癌的肝转移常表现为多发低密度结节性病灶。由于腺癌占我们研究人群的74%,重建算法间的比较是在同质的病灶池中进行的。然而,影像学特征可能因组织病理学特征而发生变化,并可能影响对结果的解读。例如,结直肠肝转移灶周围的促纤维增生反应与外周强化密切相关[22]。原发肿瘤的囊性成分和严重坏死可导致囊样肝转移灶。其他特征也可能出现,如黏液性腺癌中的钙化,以及神经内分泌肿瘤中的周边廓清和富血供[23]。
尽管有多种检查手段,根据国际指南,CT扫描仍是胃肠道肿瘤分期和随访的金标准。目前的方案通常包括胸部、腹部和盆腔CT扫描[24–26]。因此,获得高质量图像至关重要,而基于人工智能的重建算法的应用有助于转移灶的早期检出。
深度学习方法仍有一定局限性。Kaga 等人表明,与 ASiR-V 相比,高水平的深度学习会降低肝脏病灶的可见度,尤其是对小病灶 [27]。这在胸部 CT 等肝外探查中也有描述,其中小结构在高强度 DLIR 下的可见度评分较低 [28]。Yang 等人发现 DLIR 与 ASIR-V 在肝脏病灶检出方面无差异;然而,他们的分析仅纳入 8 例患者和 13 个恶性病灶 [29]。
近期已有研究在图像质量评估和病灶检出方面试验了不同的 DLIR 低剂量方案 [30–36]。Wang 等人发现,与标准剂量迭代重建相比,低剂量深度学习算法在平扫 CT 扫描中可能提供更好的图像质量、信噪比和对比噪声比。他们发现肝转移瘤检出的敏感性和诊断信心无差异 [37]。当将 33% 剂量的 DLIR 方案与标准剂量迭代重建进行比较时,Lee 等人发现 DLIR 的噪声更低,并且在检测恶性肝脏肿瘤方面具有相当的诊断性能 [38]。
我们研究的目的是确定在相同剂量水平下诊断性能是否更优,具体而言是否能检出更多肝转移瘤。据我们所知,尚无研究描述与迭代重建相比,使用深度学习重建可增加检出的肝转移瘤数量。这一发现可能显著影响患者的肿瘤学评估。我们的研究显示,在 121 例患者中有 10 例使用 DLIR 检出了更多转移瘤。正如预期,大多数漏诊病灶小于 10 mm,因为亚厘米病灶在 CT 扫描中常被漏诊 [3]。检出这些小结节可显著影响患者的治疗管理,例如结直肠癌的手术或消融规划,或胰腺腺癌从治愈性治疗转向姑息性治疗。
我们的研究有一些局限性。首先,这是一项回顾性研究,依赖于单次 CT 和单一制造商的 DLIR。其次,我们的纳入标准仅基于最终 CT 报告,未事先由我们自行确认。然而,所有病例均有原发癌的组织病理学证据。大多数患者有既往 MRI,放射科医生将其用于对比,从而减少了潜在的选择偏倚。我们仅纳入有肝转移瘤的患者,这表明我们的结果显示 DLIR 提高的是病灶检出的敏感性而非特异性。最后,我们未根据原发肿瘤类型进行亚组分析。
尽管我们的研究未评估患者管理和结局,但我们的结果提示 DLIR 的潜在意义,并可被视为有助于选择最合适的 CT 重建和深度学习水平以检出肝转移瘤。总之,与 ASiR-V 相比,高强度 DLIR 在统计学上提高了肝转移瘤的检出率和可见度。应开展更多研究以评估这些发现的临床影响,但我们的结果支持在肿瘤学腹部 CT 扫描中使用深度学习重建。
补充信息
电子补充材料
引用
- Kanan A, Pereira B, Hordonneau C, et al. Deep learning CT reconstruction improves liver metastases detection. Insights Imaging. 2024. PMID: 38971933. doi:10.1186/s13244-024-01753-1
- 全文:PMC11227486(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11227486/
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。