文献速递腹部技术与安全CT

基于残差网络的两步法自动识别腹部CT图像对比剂期相

A two-step automatic identification of contrast phases for abdominal CT images based on residual networks.
PubMed 文献 · Insights Imaging · 2025-06-27

本研究回顾性收集1175例腹部增强CT用于开发基于ResNet18的两步法模型,外部测试集为5家医院215例;两步法内部测试总体准确率98.3%,外部测试99.1%,优于一步法,可自动识别EAP/LAP、PVP和DP。

要点

  • 两步法模型在外部测试集识别EAP、LAP、PVP、DP的敏感度分别为95.1%、99.4%、99.5%、99.5%。
  • 内部测试两步法总体准确率98.3% vs 一步法91.7%,两步法显著更高(p < 0.001)。
  • 模型在不同性别、年龄、制造商和层厚亚组间表现无显著差异。

核心结论

  • 提出的基于ResNet的两步法模型在内部和外部测试集中均能高精度、稳健地识别腹部CT对比剂期相,性能优于传统一步法策略。

研究设计与样本

  • 回顾性研究,开发集来自机构A的1175例患者(3525期相图像),外部测试集来自另外5家医院的215例患者(645期相图像)。
  • 使用ResNet18作为共享特征提取网络,输入为增强CT的AP、PVP、DP三期图像,比较一步法(策略A)与两步法(策略B)两种策略。
  • 参考标准为两名放射科医师(分别有7年和9年腹部影像经验)独立标注期相,分歧时由一名33年经验专家参与讨论达成共识。

关键影像表现/征象

  • 在内部测试集,两步法总体准确率为98.3%(283/288;95% CI 0.958–0.994),一步法为91.7%(264/288;95% CI 0.877–0.945),两步法显著更高(p < 0.001)。
  • 外部测试集中,两步法总体准确率为99.1%(639/645),对EAP、LAP、PVP、DP的敏感度分别为95.1%、99.4%、99.5%、99.5%。
  • 外部测试基于检查的分析中,210例检查所有期相均正确分类,5例存在部分误分类:3例将EAP误判为LAP,1例将LAP误判为EAP,1例将PVP与DP互换。
  • 误判EAP/LAP的病例中,动脉期门静脉较平扫出现约10+ HU的轻度强化,模型对门静脉强化变化过度敏感可能导致误判。
  • 误判PVP/DP的病例中,门静脉和肝静脉在PVP与DP间的强化差异分别为34 HU和9 HU,推测肝硬化导致肝内结构扭曲和血流动力学改变减少了期相间强化差异。

诊断标准与关键数值

  • EAP标注标准:仅肝动脉明显强化,门静脉和肝静脉无强化。
  • LAP标注标准:门静脉和肝实质中度强化,肝静脉无强化。
  • PVP标注标准:门静脉、肝静脉和肝实质均明显强化。
  • DP标注标准:门静脉、肝静脉和肝实质强化程度通常低于PVP。

临床应用与阅片要点

  • 模型可自动识别腹部CT对比剂期相,为影像质量控制提供快速客观的工具,并支持下游AI应用选择特定期相作为输入。
  • 模型对EAP与LAP的区分敏感度相对较低(外部测试95.1%),需注意动脉期亚期相误判可能。
  • 模型训练时使用统一窗宽窗位(WW 600/WL 50),该设置经比较实验选定,包括常规腹部设置(400/60)。

局限性

  • 验证集双重用于选择最佳epoch和确定最佳WW/WL组合,可能引入选择偏倚并增加过拟合风险。
  • 模型主要关注同一解剖平面在不同期相的器官强化特征,但腹部CT受呼吸运动影响,平面级空间配准可能无法保证解剖结构准确对齐,影响分类准确性,需进一步微调以确保不同期相图像间准确配准。
  • 模型仅在回顾性数据集上进行内部和外部验证,缺乏前瞻性验证,未来需用前瞻性数据集验证模型的稳健性和可靠性。
  • 用于模型开发的LAP样本量相对较小,可能导致模型识别LAP的性能欠佳,未来计划扩充LAP数据集。
全文中译12 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. 2025 Jun 27;16:139. doi: 10.1186/s13244-025-01995-7

引言

肝病种类繁多,是全球第11位主要死亡原因,构成重大健康负担[1]。腹部CT,尤其是增强CT,对肝病的检出和诊断至关重要[2–4]。例如,动脉期(AP),特别是晚动脉期(LAP),在肝细胞癌(HCC)的检出和诊断中发挥重要作用,因为HCC的强化通常在LAP较为明显,且部分HCC仅在该期表现为高强化[5–7]。门静脉期(PVP)和延迟期(DP)对于检出乏血供病变以及观察晚期强化或廓清模式具有重要价值[8]。因此,准确识别对比剂期相对于腹部CT质量控制至关重要。此外,由于每个对比剂期相可显示病变的不同特征,在开发医学影像下游人工智能应用时,根据目标任务选择特定对比剂期相作为图像输入至关重要[9]。

尽管医学数字成像和通信(DICOM)标签可提供一些关于对比剂期相时间的信息,但其准确性常受患者循环个体差异、不同设备制造商命名规范不一致以及人为错误等因素的限制。技师和放射科医师可根据血管和器官的强化特征确认对比剂期相是否规范。然而,这些人工检查仍然耗时且劳动强度大。因此,需要自动化方法来识别对比剂期相,以提供快速、客观的识别。

深度学习具有巨大潜力,并在肝脏影像学(包括CT和MRI)中取得了令人满意的性能,如肝血管分割[10, 11]、局灶性肝脏病变的检测和分类[12–14]、肝纤维化分期[15, 16]等。因此,本研究目标是开发并外部测试一种基于残差网络(ResNet)的深度学习模型,用于自动识别腹部CT图像中的对比剂期相。

材料与方法

本回顾性研究经机构伦理审查委员会批准(批准号:2022-P2-036-01),并豁免书面知情同意。

数据集

所有腹部增强CT扫描均为患者常规临床诊疗的一部分。模型开发方面,回顾性收集机构A于2023年4月1日至5月31日期间接受腹部增强CT的患者。模型外部测试方面,构建了一个完全独立的外部测试数据集,回顾性连续采集另外五家医院(机构B、C、D、E和F)于2023年6月第一周接受腹部增强CT的患者数据。排除标准包括:(1)有腹部手术史;(2)图像质量差(严重运动伪影或图像无法判读)。每次扫描包括三个期相(AP、PVP、DP)。最终队列包括用于开发的1175例患者(3525幅期相图像,1175 × 3)和用于测试的215例患者(645幅期相图像,215 × 3)(图1)。

图1 数据采集、选择和划分流程图 查看原图 ↗

CT采集方案

所有腹部增强CT扫描均使用主要制造商的扫描仪进行,包括Philips、Canon、General Electric(GE)、Siemens和United Imaging Healthcare(UIH)。详细的CT扫描参数见补充表S1。层厚分为薄层(0.625–1.5 mm)或厚层(3.0–5.0 mm)。使用动力注射器将碘海醇(Omnipaque 350,GE Healthcare;Ultravist 370和300,Bayer HealthCare)以3.0–3.3 mL/s的速率经肘正中静脉注射,用于腹部增强CT轴位扫描。每次腹部增强CT扫描的三个不同期相包括AP(对比剂注射后25–40 s)、PVP(对比剂注射后60–75 s)和DP(对比剂注射后140–155 s)。

标注

所有扫描均进行了匿名化处理。两名放射科医师(分别具有7年和9年腹部影像学经验)根据以下标准[17]对每个增强期相的实际时机进行定性标注:EAP = 仅肝动脉明显强化,门静脉和肝静脉无强化;LAP = 门静脉和肝实质中度强化,肝静脉无强化;PVP = 门静脉、肝静脉和肝实质明显强化;DP = 门静脉、肝静脉和肝实质的强化程度通常低于PVP。

当两名放射科医师之间出现分歧时,一位专家(具有33年腹部影像学经验)参与讨论以达成最终共识。

模型开发

为了开发一个能够在一次检查中识别EAP或LAP、PVP和DP的模型,我们使用残差网络18(ResNet18)[18]作为图像的共享特征提取网络。ResNet18的最后一层为全连接层,使用的激活函数为softmax。然而,考虑到EAP和LAP的特征无显著差异,我们提出了两种策略。策略A一步直接识别EAP或LAP、PVP和DP。策略B具有级联关系,将对比期相识别过程分为两步。第一步识别AP、PVP和DP。然后,第二步将第一步中识别为AP的图像进一步分类为EAP或LAP。仅当第一步输出包含AP时才激活第二步(EAP与LAP之间的亚期相分析)。条件检查确保在启动第二步之前存在AP。用于识别增强期相的网络架构见图2。

输入数据包括每位患者检查中的三个不同对比期相:动脉期(AP)、门静脉期(PVP)和延迟期(DP),为厚层或薄层重建图像。在训练过程中,还模拟了期相数量少于三个的情况。无需按特定顺序输入;随机输入即可。数据增强主要包括随机翻转。多期相输入通过共享模型参数的ResNet18并行处理。这种共享机制是指在模型中并行输入多个期相,每个并行分支使用同一组模型参数。同时,为了同时处理来自不同期相的多个输入数据,我们引入了一个注意力模块。注意力模块计算注意力权重,增强不同期相之间高维特征的区分度。通过强调期相间差异,模型能够聚焦于每个期相的独特特征。注意力权重使用三个期相的特征按如下方式计算:

其中F*表示与各自增强期相相关的特征图,F*′表示注意力计算后的特征图,可计算如下:

输入数据使用窗位(WL)50和窗宽(WW)600归一化至0–1范围,然后重采样至[192, 192, 192]大小。

每个期相的输出是一个四维向量,对应代表不同期相的概率值,概率之和等于1。该模型的输出包括对比期相的识别和相对顺序。其中,期相识别是模型的核心输出。期相的相对顺序可结合先验知识进行调整,以校准模型输出中的误分类。

该模型基于PyTorch框架构建,主要使用torch库。我们使用Adam优化器以1 × 10−5的学习率对模型训练了1000个epoch,通常选择在验证集上准确率最高的epoch模型。每100个epoch,学习率降低10倍。此处使用的损失函数为焦点损失(focal loss)[19]。

图2 模型的整体结构与策略。A 模型两种对比期相识别策略的示意图。B 模型的ResNet18架构。实际计算方法发生在图B中第2层之后,即在第2层输出的特征图之间计算注意力,然后作为第3层的输入。C 注意力模块的结构 查看原图 ↗

统计分析

连续变量以均值±标准差(SD)或中位数和四分位间距表示,取决于数据的正态性。分类变量以频数和百分比表示。为评估性能,计算了敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和受试者工作特征曲线下面积(AUC)。使用χ2检验比较亚组间差异,多组间比较使用Bonferroni校正进行调整。所有分析均使用SPSS(版本25.0;IBM)和MedCalc(版本19.0.7;MedCalc Software bvba)进行。p值<0.05定义为统计学显著性。

结果

数据集特征

每位接受腹部增强CT检查的患者均有三个不同的对比增强期相。在模型开发方面,共纳入来自A机构的1175例接受腹部对比增强CT检查的患者,包含3525个增强期相,并随机分为训练集(N = 888)、验证集(N = 191)和测试集(N = 96)。图像采集自五家不同制造商(飞利浦,N = 548;佳能,N = 329;GE,N = 270;西门子,N = 16;联影,N = 12)。

在模型外部测试方面,收集了来自另外五家机构(B机构,N = 32;C机构,N = 45;D机构,N = 37;E机构,N = 68;F机构,N = 33)的215例接受腹部对比增强CT检查的患者,包含645个增强期相。图像采集自四家不同制造商(飞利浦,N = 71;GE,N = 98;西门子,N = 29;联影,N = 17)。

上述信息及更详细的特征见表1。三个数据集之间在年龄、性别或层厚的分布上未观察到显著差异;然而,制造商分布在各组之间存在差异。

表1 数据集特征 查看原表 ↗

策略比较

在由96次腹部增强CT检查和288个增强期相组成的内部测试集中,我们比较了一步分类策略与两步分类策略的性能(图3)。在逐期相分析中,两步分类策略对所有增强期相的总准确率为98.3%(283/288,95% CI,0.958–0.994),高于一步分类策略(91.7%,264/288,95% CI,0.877–0.945;p < 0.001)。两步分类策略在每个增强期相中均优于一步分类策略(表2)。

图3 模型在内部测试集中的混淆矩阵图。A 一步模型性能。B 两步模型性能 查看原图 ↗
表2 内部测试集中一步与两步策略对增强期相分类性能的比较 查看原表 ↗

模型外部测试

在由215次腹部增强CT检查和645个增强期相组成的外部测试集中,一步模型与两步模型的性能比较见补充表S2。鉴于两步模型优于一步模型,我们选择两步分类策略作为模型架构。

在基于期相的分析中,识别增强期相的总准确率为99.1%(639/645)。两步模型在分类PVP和DP方面表现最佳,其次为LAP。模型分类EAP、LAP、PVP和DP的灵敏度、特异度、准确率和AUC见表3。

在基于检查的分析中,有210次检查的所有期相均被两步模型正确分类,5次检查存在部分误分类。在5次存在误分类的检查中,模型在3次检查中将EAP误分类为LAP(图4),在1次检查中将LAP误分类为EAP。还有1次检查中模型将PVP误分类为DP、将DP误分类为PVP。基于测量血池和实质中各期相强度的误识别病例精确分析见补充表S3。

模型按性别、年龄、制造商和层厚分层的性能见表4。在这些亚组之间未观察到显著差异。

表3 两步分类模型在外部测试集中识别各增强期的性能 查看原表 ↗
图4 54岁女性肝转移患者的腹部对比增强CT。A 早期动脉期(被两步模型误分类为晚期动脉期)。B 正确识别的门静脉期。C 正确识别的延迟期 查看原图 ↗
表4 两步模型在外部测试集中按期相和按检查的分析 查看原表 ↗

讨论

在本研究中,我们开发了一种使用残差网络的深度学习模型,用于自动识别腹部CT图像中的对比剂期相。该两步模型可将对比剂期相分类为早期动脉期(EAP)或晚期动脉期(LAP)、门静脉期(PVP)和延迟期(DP),在内部和外部测试集上均取得了高性能,且不受不同制造商设备的影响,显示出稳健的泛化能力。

此前已有若干研究[20–22]关注腹部CT扫描中对比剂期相的自动识别。我们在补充表S4中总结了这些研究使用的方法、数据集及其他相关细节。Dercle等[20]基于机器学习算法开发了一个区分五个对比增强期相的模型,并评估了该模型的临床应用,在内部测试集中识别AP、PVP和DP的准确率分别为90%、84%和89.5%。在该研究中,他们关注增强CT图像的采集时间以及主动脉和门静脉的密度来进行对比剂期相识别。然而,由于患者循环的个体差异、人为误差和录入不一致等多种因素,这些信息既不充分也不可靠。Blankemeier等[21]和Rocha等[22]也开发了深度学习模型来识别腹部CT扫描中的对比剂期相。Blankemeier等开发的模型在外部测试集中识别AP、PVP和DP的准确率分别为89.5%、81.9%和89.5%。Rocha等开发的模型在内部测试集中识别AP、PVP和DP的召回率分别为97.0%、97.0%和94.0%。在他们的研究中,对比剂期相标注由放射科医师核实,以确保对比剂期相分类的准确性。然而,这些既往研究未进一步区分EAP和LAP。因此,本研究侧重于进一步将AP识别为EAP和LAP,所提出的两步模型在外部测试集中识别EAP、LAP、PVP和DP的准确率分别为99.4%、99.4%、99.7%和99.7%,优于上述研究的结果。

为了准确区分EAP和LAP,我们在模型开发过程中比较了两种策略。一种策略是在一步中直接将对比期相识别为EAP或LAP、PVP和DP。另一种策略采用两步流程:首先将对比期相识别为AP、PVP和DP,随后将识别为AP的图像进一步细分为EAP或LAP。结果表明,两步策略取得了更好的性能。这可能是因为AP、PVP和DP之间器官和血管强化特征的差异更为明显,使模型能够有效区分这些对比期相。相比之下,EAP与LAP之间的差异相对较小,主要涉及门静脉有无强化。换言之,模型需要同时进行的分类越多,对模型的性能要求就越高。一次分类四个强化期相比一次分类两个或三个期相更具挑战性。因此,将任务分解为两个较简单的分类有效降低了复杂性并提高了模型性能。

详细分析揭示了以下发现:在两步模型误判EAP和LAP的病例中(病例1–4),我们观察到门静脉在AP期间相较于平扫期表现出轻度强化,多数病例的强化值为10 + HU。基于这一观察,我们推测模型对门静脉强度变化的过度敏感性导致了这些误判。在两步模型误判PVP和DP的病例中(病例5),我们发现门静脉和肝静脉在PVP与DP期相之间的强化无显著差异。PVP与DP之间的强化差异为门静脉34 HU、肝静脉9 HU。我们推测该模型的错误可归因于该患者肝硬化所致的肝内结构扭曲和血流动力学改变,这些改变减小了PVP与DP之间的强化差异,导致模型误判。

所有腹部CT图像均采用统一的窗宽/窗位(WW/WL)设置(600/50)进行预处理。该设置是通过比较实验评估多种WW/WL组合(包括常规腹部设置(400/60))后确定的,选择基于验证性能。一个潜在的局限性是验证集的双重用途:既用于为每个模型选择最佳epoch,也用于确定最优WW/WL组合。这种方法可能引入选择偏倚并增加过拟合风险。尽管如此,该模型在多中心外部验证集上仍保持了强劲性能,从而增强了其泛化能力。此外,本研究还有其他若干局限性。第一,该模型主要关注不同增强期相同解剖层面内器官结构的强化特征。然而,腹部CT扫描会受到呼吸运动的影响,图像平面层面的空间配准可能无法保证解剖结构的准确对齐。这种错位反过来影响了模型的分类准确性。因此,模型需要进一步微调,以确保在期相识别之前不同增强期图像之间的准确配准,这将有助于提高模型性能。第二,该模型仅在回顾性数据集上进行了内部和外部验证,没有进行前瞻性验证。虽然模型在回顾性数据集上表现良好,但缺乏前瞻性验证引发了对其实际应用性和泛化能力的担忧。未来研究应侧重于用前瞻性数据集验证模型,以确认其稳健性和可靠性。第三,用于模型开发的LAP样本量相对较小,这可能导致了模型在识别LAP方面性能欠佳。在未来的工作中,我们计划扩充LAP数据集以提高模型性能。

总之,所提出的两步模型能够在内部和外部测试集中准确地将腹部CT图像的对比期相分类为EAP或LAP、PVP和DP。本研究为腹部影像质量控制提供了一种高效且准确的方法。此外,它还为开发专用AI工具提供了坚实的基础,尤其是那些利用对比增强成像序列的工具。

补充信息

电子补充材料

引用

  1. Liu Q, Jiang J, Wu K, et al. A two-step automatic identification of contrast phases for abdominal CT images based on residual networks. Insights Imaging. 2025. PMID: 40579615. doi:10.1186/s13244-025-01995-7
  2. 全文:PMC12204963(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12204963/

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。