文献速递骨肌技术与安全CTMR

基于深度学习从骨盆零回波时间MR序列合成伪CT

Deep learning-based pseudo-CT synthesis from zero echo time MR sequences of the pelvis.
PubMed 文献 · Insights Imaging · 2024-08-09

前瞻性纳入91例患者行CT和含ZTE序列的骨盆MRI,用60例训练深度学习模型从ZTE合成伪CT,20例评估。伪CT定性评分好至完美,与CT的组间一致性良好(ICC=0.88),多数几何测量无显著差异,但横向骨盆径线和外侧中心边缘角有显著差异,伪CT的HU值普遍低于CT。

要点

  • 伪CT定性评分好至完美(2–3分/4分制),与CT组间一致性良好(ICC=0.88)。
  • 多数几何测量CT与伪CT无显著差异,但横向骨盆径线(平均差1.98 mm)和外侧中心边缘角(平均差1.71°)有显著差异。
  • 伪CT的HU值普遍低于CT,但CNR与CT无显著差异,组织区分能力相似。

核心结论

  • 使用基于深度学习的算法可从ZTE序列合成骨盆伪CT图像,骨显示质量高且几何测量准确。
  • 伪CT图像与常规CT的组间一致性良好(ICC=0.88),读者间一致性优秀(ICC=0.91)。

研究设计与样本

  • 前瞻性研究,纳入91例(58男33女,年龄56±15岁,范围20–86岁),排除11例后80例中60例用于训练、20例用于评估。
  • MRI使用3.0-T扫描仪(Discovery 750W plus GEM; GE Healthcare)采集ZTE序列(TR 5.1 ms,TE≈0 ms,层厚1.5 mm,扫描时间4:06 min)。
  • CT使用不同扫描仪,多数为腹部或骨盆CT(Somatom Definition FLASH; Siemens Healthineers),管电压90–120 kVp,管电流100–150 mAs,骨核(多为Br59)重建。
  • 由两名肌骨放射学fellow独立评估CT和伪CT图像,间隔4周,随机顺序,盲法。

关键影像表现/征象

  • 伪CT定性参数(骨轮廓锐利度、皮质与骨小梁区分、髋关节间隙、骶髂关节间隙、软组织边界保留)平均评分为好至完美(2–3分)。
  • CT在全部定性类别上的评分显著高于伪CT(p值见原文表2)。
  • 伪CT体部掩膜评分为轻微至好(1.58±0.75,范围1–3),CT为完美(3.00±0),p<0.001。
  • 伪CT中骨盆周围假骨分类为轻微至明显(1.38±0.59,范围1–3),CT无假骨分类,p<0.001。

诊断标准与关键数值

  • 定性评估采用4分Likert量表(0=差,1=轻微,2=好,3=完美)。
  • CT与伪CT的组间一致性ICC=0.88(95%CI 0.85–0.90),p<0.001;读者间一致性总体ICC=0.95(95%CI 0.94–0.96),CT为0.99(95%CI 0.98–0.99),伪CT为0.91(95%CI 0.88–0.93)。
  • 横向骨盆径线CT与伪CT差异显著(p=0.001,平均差1.98 mm),外侧中心边缘角差异显著(p=0.002,平均差1.71°),其余几何测量无显著差异(均p>0.05)。
  • CT与伪CT的CNR无显著差异(均p>0.05);所有结构的HU测量CT均显著高于伪CT(均p<0.05)。

临床应用与阅片要点

  • 原文指出,从ZTE MR序列生成的伪CT图像可在无需辐射暴露的情况下高精度评估骨骼。
  • 原文指出,放射学应用广泛,包括评估炎性和退行性骨病或术前规划研究。
  • 作者认为,伪CT HU值可实现正确的组织区分,在多数临床场景中比绝对HU值更重要。

局限性

  • 伪CT的体部掩膜仍具挑战性,主要因图像不均匀和附着外部物体,可额外进行背景掩膜处理。
  • 伪CT图像中软组织高密度区偶尔被分类为骨,多位于骨盆骨周围肌肉,可模仿钙化,因DL模型训练时增强了对骨区域的关注。
  • 本研究的ZTE数据未经DL重建增强,采用DL重建的ZTE图像有望获得更高的DL模型性能。
  • 金属伪影在MR成像中难以克服,本研究排除了髋部及周围有金属植入物的参与者,可能影响研究的普遍性。
  • 尽管HU和几何测量已标准化,读者间手动测量时可能存在轻微不一致,影响整体伪CT准确性。
全文中译15 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:Insights Imaging. 2024 Aug 9;15:202. doi: 10.1186/s13244-024-01751-3

引言

伪CT(pCT)成像能够从MR扫描生成CT图像[1],这对于检测脊柱和髋关节的早期炎性和退行性改变[2, 3],以及脊柱手术的术前检查[4]或妇科的产前检查[5]具有重要价值。此外,CT或pCT中可获得的Hounsfield单位(HU)标度密度信息有助于区分骨骼与软组织或肌肉与脂肪,特别是在放疗计划或身体成分分析(如肌少症或肌脂肪变性)方面[6–8]。

虽然MRI非常适合评估骨髓和软组织,但在纯骨检测方面存在不足[9]。先进的MR骨成像序列如超短回波时间或零回波时间(ZTE)序列可以提高这方面的特异性[10, 11],但无法像CT那样提供骨骼和软组织的定量衰减(HU)信息。基于骨特异性ZTE MR图像的深度学习(DL)有可能同时实现骨几何结构的高精度和脂肪与肌肉软组织对比度的有效模拟,包括以HU形式表示的特定标度X射线衰减。

本研究旨在探讨基于DL重建ZTE MR图像的骨盆pCT图像与真实CT图像在定性或几何精度以及骨骼和软组织的模拟HU标度X射线衰减方面的可比性。

方法

本前瞻性研究经机构审查委员会和当地伦理委员会批准。所有参与者在纳入研究前均签署了书面知情同意书。本研究使用了先前发表队列的影像数据[2]。先前报告比较了CT和ZTE MRI对骶髂(SI)关节的骨骼评估。本研究通过从采集的ZTE MR序列生成基于DL的pCT图像对此进行了扩展。

研究参与者

招募2019年5月至2021年1月期间因临床指征转诊进行腹部或骨盆MR扫描的18岁以上个体。所有考虑入组的患者均在MR检查前12个月内接受过覆盖骶髂关节的CT扫描。如果患者同意参与研究,则在各自的标准MR方案中增加一个ZTE序列。

排除标准为拒绝参与研究、妊娠、MRI禁忌证、任何形式的数据集不完整、因运动或异物导致的严重伪影,或严重的B1场不均匀性。

MR成像

所有MR扫描均使用3.0-T扫描仪(Discovery 750W plus GEM;GE Healthcare)配合腹部线圈获取。根据各自的临床指征使用不同的方案。在每个方案结束时,每位参与者均采集相同的ZTE序列(oZTEo,GE Healthcare;TR,5.1 ms;TE,≈ 0 ms;采集矩阵,212 × 212 × 250;层厚,1.5 mm;视野,320 mm;带宽,± 62.5 kHz;翻转角,2°;扫描时间,4:06 min)。ZTE图像以轴面采集,各向同性分辨率。典型穿层覆盖范围为250层,从第12胸椎到小转子。

pCT合成

pCT图像是使用[12]中先前描述的方法从ZTE MRI生成的。该解决方案由一个二维多层卷积神经网络组成,适配于多任务UNet框架。该网络旨在保持图像的整体结构准确性,同时通过学习相关任务来专注于实现精确的骨骼表示:(a)图像转换作为主任务,(b)骨骼分割,以及(c)骨密度值估计作为辅助任务。每个任务使用专门的损失函数单独优化,该损失函数经过定制以最小化特定误差,组合损失值有助于网络的整体训练。通过分离分类和回归任务,并优化网络以同时减少两种误差,可以实现对每个相关任务的隐式强化[13]。尽管这些任务是相关的,但网络预期会以彼此不同的方式学习它们。

CT成像

CT检查在不同的扫描仪上进行。大多数扫描包括使用最新一代能量积分双源扫描仪(Somatom Definition FLASH,Siemens Healthineers;管电压,90 kVp、100 kVp、110 kVp和120 kVp;管电流,100–150 mAs,带主动管调制;视野,500 mm,矩阵512 × 512;骨核(主要为Br59)用于轴位图像重建)获得的腹部或盆腔CT。随后将图像数据在所有三个平面上重新格式化,层厚和增量各为1.5 mm。

图像分析

CT和pCT图像的评估由两名肌肉骨骼放射学研究员(J.M.G.和S.M.,均有5年经验)在一位拥有超过15年经验的高级肌肉骨骼放射科医师(R.G.)的仔细指导下独立进行。两个数据集(分别为CT和pCT)的读取在两个不同的时段进行,间隔4周,并以不同的随机顺序进行,以避免回忆偏倚。两位阅读者对患者身份和临床数据以及另一数据集的结果均设盲。CT图像使用该机构的图像存档和通信系统(DeepUnity Diagnost,版本R20 XX;Dedalus S.p.A.)进行评估。pCT图像使用Synedra View 21(版本21.0.0.8(× 64版);Synedra Information Technologies GmbH)查看。

定性分析

CT和pCT图像使用4点Likert量表(0–3;0 = 差,1 = 轻微,2 = 好,3 = 完美)[14]对以下参数进行定性评分:骨轮廓的锐利度、皮质骨和松质骨的分化、髋关节间隙的勾画、骶髂关节间隙的勾画以及软组织边界的保留。对于pCT,额外评估了身体 masking 和骨盆周围假骨分类的严重程度(0–3;0 = 无,1 = 轻微,2 = 明显,3 = 严重)。主观评估信心对所有图像序列分别评分(0–3;0 = 信心差,几乎无法评估,1 = 信心低,可能影响评估,2 = 信心中等,不会对评估产生负面影响,3 = 信心高,有助于清晰评估)。

定量分析

为了评估合成pCT图像的几何精度,在CT和pCT图像中进行了以下测量:轴状面中股骨头中心之间的距离、骨盆横径(骨盆上口最大宽度)和骨盆前后径(从耻骨联合测量至骶骨岬)、斜轴状面中右股骨的α角,以及冠状面中右股骨的外侧中心边缘角。

此外,在CT和pCT中,使用相同大小的感兴趣区(ROI)测量(骨皮质为3 mm²;所有其他解剖部位为15 mm²)在以下结构中确定HU值(均值、标准差、最小值和最大值):右侧髂骨体骨皮质、右侧髂骨体骨小梁、右侧臀大肌、右侧臀大肌邻近的皮下脂肪,以及视觉上无噪声区域中靠近组织的空气。

为了定量评估图像质量和组织区分度,使用以下公式计算CT和pCT图像的对比噪声比(CNR):其中(A)和(B)为ROI中的结构,空气定义为纯图像噪声。

统计分析

所有统计分析均使用SPSS(版本29.0;IBM)进行。p值<0.05被认为具有统计学意义。基于Likert量表对所有定性类别计算组内相关系数(ICC),以评估两位阅片者和两种方法之间的评分一致性。ICC估计值及其95%置信区间(CI)基于平均评分(k=2)、一致性 agreement 和双向混合效应模型计算。ICC值小于0.50被认为一致性差,0.50至0.75之间为中等,0.75至0.90之间为良好,大于0.90为极好的一致性[15]。所有距离和角度测量首先使用Shapiro–Wilk检验评估其正态分布[16]。如果存在正态分布,则应用配对样本t检验评估阅片者之间或方法之间的差异。如果测量值不呈正态分布,则计算Wilcoxon符号秩检验,并对所有显著结果进行事后Holm–Bonferroni多重比较检验[17]。

结果

参与者纳入情况总结于图1。参与者特征总结见表1。共前瞻性招募91名参与者(58名男性,33名女性,年龄56±15岁(均值±标准差),范围20–86岁),并进行了包括ZTE序列的MRI扫描。11个ZTE图像容积因图像质量差而被排除,原因包括严重图像不均匀(n=7;64%)或金属硬件伪影(n=4;36%)。在剩余80个数据集中,选取20例患者病例(12名男性,8名女性,年龄46±14岁(均值±标准差),范围20–72岁)作为评估队列(=验证数据集),其余数据用于训练和更新现有的深度学习(DL)模型,以从ZTE序列合成pCT图像(=训练数据集)。骨盆的典型CT和pCT图像见图2和图3。

图1 参与者纳入流程图。DL,深度学习;pCT,伪CT;ZTE,零回波时间 查看原图 ↗
表1 研究参与者和评估亚队列的特征 查看原表 ↗
图2 一名45岁研究参与者骨盆的典型CT(a、b)、ZTE MRI(c)和pCT(d)图像。pCT(d)图像是通过应用深度学习算法从ZTE MRI(c)生成的。请注意几乎完美的身体掩蔽以及在(d)中被错误分类为“骨”的小区域(箭头)。 查看原图 ↗
图3 一名54岁研究参与者骨盆的典型CT(a、b)、ZTE MRI(c)和pCT(d)图像。pCT(d)图像是通过应用深度学习算法从ZTE MRI(c)生成的。图像显示右侧髂翼有一个大肿瘤(星号;活检证实的浆细胞瘤),由于模型训练时增强了对骨区域的关注,该肿瘤在d中被低估。尽管如此,肿瘤造成的溶骨性骨质破坏仍被正确识别(箭头)。请注意d中不完美的身体掩蔽(箭头)。 查看原图 ↗

定性分析

定性结果概述见表2。CT和pCT在骨轮廓锐利度、皮质骨与松质骨区分、髋关节间隙勾画、骶髂关节间隙勾画以及软组织边界保留方面的平均评分均为良好(2)至完美(3),但两位阅片者在所有类别中给予CT的评分均显著高于pCT(p值见表2)。身体掩蔽的平均评分在CT中为完美(3.00 ± 0(均值 ± 标准差)),在pCT中为轻度至良好(1.58 ± 0.75,范围1–3;p < 0.001)。CT中骨盆周围没有错误的骨分类。在pCT中,错误的骨分类为轻度至明显(1.38 ± 0.59,范围1–3;p < 0.001)。平均主观评估信心在CT中为完美(3.00 ± 0),在pCT中为良好至完美(2.70 ± 0.46,范围2–3;p = 0.001)。事后Holm–Bonferroni多重比较检验证实了显著结果。

CT与pCT之间定性评估参数的总体模态间一致性为良好(ICC = 0.88(95% CI:0.85–0.90);p < 0.001)。总体阅片者间一致性为极好(ICC = 0.95(95% CI:0.94–0.96);p < 0.001),其中CT的阅片者间一致性为极好(ICC = 0.99(95% CI:0.98–0.99);p < 0.001),pCT的阅片者间一致性为极好(ICC = 0.91(95% CI:0.88–0.93);p < 0.001)。

表2 两位阅片者对CT和pCT定性评分的模态间评估 查看原表 ↗

定量分析

CT和pCT中的距离与角度测量结果示例性展示于图4,并汇总于表3。CT与pCT之间的骨盆横径测量和右侧股骨外侧中心边缘角测量存在显著差异(分别为p = 0.001和p = 0.002),而平均差异相对较小(分别为1.98 mm和1.71°)。所有其他几何测量在CT与pCT之间均无显著差异(所有p > 0.05)。右侧股骨的CT和pCT alpha角测量在两位阅片者之间存在显著差异(均p < 0.001;CT中平均差异为13.67°,pCT中为14.28°);在CT骨盆横径测量(p = 0.03;平均差异2.57 mm)和CT右侧股骨外侧中心边缘角测量(p = 0.03;平均差异2.30°)中可观察到较小的显著阅片者间差异。除右侧股骨的pCT alpha角测量外,pCT距离和角度测量在阅片者之间均无显著差异(图5a、b)。

不同结构在CT和pCT中的HU测量值见表4。所有HU测量值在CT中均显著高于pCT(均p < 0.05)。在CT中右侧髂骨体皮质骨的HU测量值(p = 0.001)和在pCT中右侧臀大肌的HU测量值(p = 0.003)存在显著差异。两位阅片者之间所有其他HU测量值均无显著差异。

CNR见表5。与CT CNR相比,pCT CNR显示出更大的数值范围,然而平均值相近,且pCT与CT CNR之间无显著差异(均p > 0.05;图6)。

图4 一名20岁研究参与者CT图像上定量分析的代表性测量。a 轴位层面上股骨头中心之间的距离,(b) 骨盆横径(骨盆上口最大宽度)和前后径(从耻骨联合测量至骶岬),(c) 斜轴位层面上右侧股骨的α角,以及(d) 冠状面上右侧股骨的外侧中心边缘角 查看原图 ↗
表3 CT和pCT中距离和角度测量的阅片者间和模态间评估 查看原表 ↗
图5 Bland-Altman图显示pCT与CT之间的测量差异。差异由同一病例中进行的配对测量计算得出。a 骨盆径线的距离测量除个别离群值外,差异均小于5 mm。在所有测量变量中,股骨头中心之间的距离显示出最高的一致性,可能是由于该解剖标志最为全面。b 角度测量的偏差按比例显示更高,然而在任一成像方法中均未观察到数值偏高的趋势。这可能是由于个体测量偏差的影响更为显著 查看原图 ↗
表4 CT和pCT中HU测量的阅片者间和模态间评估 查看原表 ↗
表5 在骨盆CT和pCT图像中计算的CNR 查看原表 ↗
图6 CT和pCT图像中的CNR。与CT CNR相比,pCT CNR显示出更大的数值范围,然而平均值相近,且pCT与CT CNR之间无显著差异(均p > 0.05) 查看原图 ↗

讨论

在本研究中,骨盆pCT图像由零回波时间(ZTE)MR序列生成,并与常规CT在定性和定量评估参数方面进行比较。定性参数的pCT平均评分为好至极佳(4点Likert量表上为2–3分)。CT与pCT之间的总体模态间一致性良好(ICC = 0.88(95% CI:0.85–0.90);p < 0.001),pCT的阅片者间一致性极佳(ICC = 0.91(95% CI:0.88-0.93);p < 0.001)。除骨盆横径测量和外侧中心边缘角测量外,大多数几何测量在CT与pCT测量之间均无显著差异(p > 0.05)。CT和pCT的图像质量及组织分化相似,CT与pCT CNR之间无显著差异(均p > 0.05)。

既往研究已探讨了先进MR序列和pCT在骨成像中的应用。Jans等[3]使用基于MR的pCT图像检测疑似骶髂关节炎患者的结构性病变,发现pCT优于常规T1加权MRI。Argentieri等[18]和Breighner等[19]展示了基于ZTE MR序列的类CT图像,并报告其与脊柱和髋部CT具有良好一致性。然而,这些序列缺乏组织密度信息,因此只能提供定性图像信息。通过从ZTE MR序列生成pCT图像,本研究将先进MR骨成像序列的定性图像信息与DL辅助模拟的定量HU衰减图相结合。这还可能通过与骨密度和骨小梁强度的相关性,开辟使用HU值评估骨量和骨质量的新途径。HU值与材料密度和抗压强度呈正相关[20, 21]。在形态学MR序列可能显示应力性骨折或功能不全性骨折等情况下,使用源自ZTE MR序列的pCT图像可能有助于机会性地了解骨状态。

尽管CT图像的定性评分显著高于pCT图像,但pCT定性评分的绝对平均值在所有评估类别中仍为良好至完美,使读者具有较高的主观评估信心。同样,一些几何测量在读者间和模态间存在显著差异。然而,当考虑横向骨盆直径的绝对平均值时,可以观察到两种模态之间的平均差异小于2 mm,这很可能源于测量不准确性,并且在临床环境中很可能无显著意义。在比较CT与pCT之间外侧中心边缘角测量的平均值时也观察到相同情况,两种模态之间的平均差异小于2°。此前,读者之间差异小于5°的角度测量被认为是相同的[22]。α角测量的读者间显著差异最可能是由于其中一位读者的系统性测量误差,因为模态间评估无显著差异。

pCT的HU值 consistently 低于CT的HU值。高密度HU值普遍被低估的原因主要是这些区域相对于整体图像信息较为稀疏。也就是说,CT中>900 HU的图像区域(体素)百分比仅占身体区域的极小部分。这种稀疏性被其余像素所掩盖,并使学习趋向于较低值。作者认为,随着算法使用多样化数据进一步训练,pCT与传统CT值之间的差异应会降低。另一方面,pCT的HU值能够实现正确的组织区分,而在大多数临床环境中,这比绝对HU值更重要。

作者承认本研究存在若干局限性。首先,pCT的体部掩膜仍然具有挑战性。这主要是由于图像不均匀性以及附着的外部物体所致。为解决这一问题,可以执行额外的背景掩膜。然而,本研究的重点在于更深层结构,如骨盆及其邻近软组织,而体表信息的重要性较低。

其次,软组织中存在高密度区域,在pCT图像中偶尔被分类为骨。这些区域大多位于骨盆周围的肌肉中,可能模仿钙化。这是由于深度学习(DL)模型在训练时增强了对骨区域的关注,因此显示出更完整的骨外观,但也由于对高密度区域的更高敏感性而导致了一些假性骨分类。在此背景下,需要注意的是,本研究中的ZTE数据未经过DL重建增强。如今,针对ZTE图像的DL重建方案已经可用,并已被证明可提高图像质量[23, 24]。因此,通过采用DL重建的ZTE图像,可以预期DL模型在生成pCT图像方面具有更高的性能。

第三,金属伪影在MR成像中仍然难以克服,因此也是ZTE序列以及随后由ZTE序列生成的pCT图像中的一项挑战。本研究排除了髋部及其周围有金属植入物的参与者。作者承认这可能影响研究的普适性。未来,MR成像中金属伪影减少方面的进一步改进可能使有金属植入物的患者也能生成pCT图像。

第四,尽管HU和几何测量已标准化,但手动读数过程中阅片者之间的细微不一致可能仍然存在并影响整体pCT准确性。

总之,使用基于DL的算法可以从ZTE序列合成骨盆的pCT图像。与传统CT相比,pCT图像显示出高的骨描绘质量和准确的定量测量。需要对DL算法进行进一步训练以改善体部掩膜并减少假性骨分类。将该算法应用于不同身体区域和病理环境(即骨关节炎和炎症性骨病)是未来研究的目标。

补充信息

电子补充材料

引用

  1. Getzmann JM, Deininger-Czermak E, Melissanidis S, et al. Deep learning-based pseudo-CT synthesis from zero echo time MR sequences of the pelvis. Insights Imaging. 2024. PMID: 39120752. doi:10.1186/s13244-024-01751-3
  2. 全文:PMC11315823(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11315823/

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。