文献速递神经CTMR

深度学习重建用于非增强头颅CT:图像质量改善及对急性缺血性卒中的潜在诊断影响

Deep-learning reconstruction for noncontrast head computed tomography: Improved image quality and potential diagnostic impact in acute ischemic stroke.
PubMed 文献 · Neuroradiology · 2026-03-21

本研究为单中心回顾性研究,纳入100例疑似急性卒中急诊患者(50例经DWI确诊急性梗死、50例DWI阴性),比较深度学习重建(DLR)与混合迭代重建(IR)的非增强头颅CT图像质量和诊断效能。DLR总体图像质量、灰白质分化和噪声评分均优于IR,放射科住院医师的AUC提高,但神经放射学家的AUC降低。

要点

  • DLR总体图像质量评分4.02 vs IR 3.23(p<0.01),灰白质分化4.07 vs 3.34(p<0.001)。
  • 放射科住院医师DLR的AUC 0.888 vs IR 0.844(p=0.002),诊断效能提高。
  • 神经放射学家DLR的AUC 0.857 vs IR 0.911(p=0.034),诊断效能降低。

核心结论

  • DLR在非增强头颅CT上较IR带来图像质量、组织分化和噪声降低的主观改善。
  • DLR对经验较少的放射科医师在急性缺血性卒中检测上观察到诊断效能提高。
  • DLR可能增加假阳性发现的风险,且可能因阅片者经验不同而更明显。

研究设计与样本

  • 单中心回顾性研究,纳入100例因疑似急性卒中就诊急诊并接受非增强头颅CT的患者,50例经后续DWI确诊急性梗死、50例DWI阴性。
  • CT扫描使用320通道CT扫描仪(Aquilion ONE,Canon Medical Systems),管电压120 kVP、有效管电流时间乘积240 mAs、准直0.5×40 mm、CTDIvol 48.11 mGy、视野240×240 mm、矩阵512×512。
  • 图像分别用混合迭代重建(AIDR,脑核FC68)和供应商无关的深度学习重建(ClariCT.AI,ClariPi,韩国)重建,层厚3 mm。
  • 由2名放射科住院医师(第3年和第2年培训)和2名神经放射学家(分别有12年和10年神经放射学经验)在盲法下按随机顺序评分。
  • 参考标准为后续1天内完成的MRI扩散加权成像(DWI)。

关键影像表现/征象

  • 与IR相比,DLR图像噪声减低、灰白质边界显示更清晰。
  • DLR图像上伪影评分低于IR(2.59 vs 2.71,p=0.02),提示DLR可能 accentuate 伪影的存在。
  • 病例1中,60岁男性左侧大脑中动脉上干急性梗死,两名住院医师将IR评为1分(无急性病灶)、DLR评为3和4分。
  • 病例2中,79岁女性构音障碍,DWI未见急性缺血梗死灶,所有阅片者将IR评为1分,DLR评分更高,可能因DLR accentuate 慢性缺血改变。

诊断标准与关键数值

  • 总体图像质量采用5分Likert量表:1分不可诊断,2分图像质量差不足以评估细微病变,3分中等足以评估软组织,4分良好等同于当前标准,5分优秀优于当前标准。
  • 灰白质分化采用5分量表:1分差、诊断质量受损,2分减低、诊断质量下降,3分可接受但低于当前标准,4分平均等同于当前标准,5分优于当前标准。
  • 病灶显示度采用5分量表:1分无局灶病变,2分低概率(>5%且<25%),3分中等概率(>25%且<75%),4分高概率(>75%且<90%),5分确定(>90%)。
  • 患者组中,DLR的病灶显示度平均评分高于IR:读者1为3.60 vs 3.12(p=0.014),读者2为3.84 vs 3.12(p<0.001),读者3为3.90 vs 3.70(p=0.137),读者4为4.06 vs 3.62(p=0.017)。
  • 对照组中,DLR的病灶显示度评分高于IR:读者1为1.56 vs 1.22(p=0.009),读者2为1.46 vs 1.20(p=0.016),读者3为1.78 vs 1.34(p=0.009),读者4为2.08 vs 1.42(p=0.002)。

临床应用与阅片要点

  • 作者建议有经验的阅片者使用DLR图像判读时同时评估常规IR图像,以保持诊断严谨性并避免基于提示慢性病变的细微发现产生误判。
  • DLR可能提高经验较少的放射科医师对急性缺血性病灶的显示和诊断效能。
  • DLR可能因 accentuate 慢性缺血改变而增加假阳性风险,尤其在有经验的阅片者中可能更明显。

局限性

  • 本研究为回顾性研究,纳入患者数量相对较少。
  • 本研究为单中心、单供应商研究,可能存在选择偏差。
  • 需要进一步的多中心、多供应商、更大样本量研究来确认结果。
  • 未评估包括颅内出血在内的卒中模拟病,需进一步研究以确定DLR诊断性能的完整范围。
  • 由于回顾性研究性质,本研究未涉及头颅CT的辐射剂量降低;需要进一步前瞻性研究评估DLR对降低辐射剂量方案的影响。
全文中译13 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. 2026 Mar 21;68(4):965–74. doi: 10.1007/s00234-026-03955-4

引言

非增强头颅计算机断层扫描(CT)因速度快、普及率高且可行性强,是评估疑似卒中患者的一线诊断工具[1, 2]。早期CT征象,如与健康脑实质相比的低密度以及灰质/白质(GM/WM)界面消失,在识别缺血性卒中患者的梗死病灶方面已被广泛认可。然而,在早期卒中这些变化可能很细微[3, 4]。此外,非增强图像本身软组织对比分辨率有限[5]。因此,改善整体图像质量和降低图像噪声是检测缺血性卒中CT图像中所见汉斯菲尔德单位(HU)早期细微变化的重要因素。既往研究已尝试通过使用图像重建技术,如迭代重建(IR),来改善头颅CT的整体图像质量[6, 7]。

与基于统计学的重建方法相比,使用深度学习(机器学习与人工智能的一个子集)的重建方法在改善CT图像质量方面已显示出潜力[8, 9]。此外,既往研究已探索了深度学习重建(DLR)在CT图像中的应用,揭示了其提高诊断准确性和整体图像质量的潜力[10]。然而,仅有有限数量的研究报告了深度学习重建图像在临床环境中对脑部CT的诊断性能,包括DLR用于CT评估头部外伤[11]和急性缺血性卒中[12, 13]的研究。

因此,本研究的目的是比较非增强头颅CT上厂商无关的DLR与混合IR在评估急性缺血性卒中方面的图像质量和潜在诊断影响。

方法

研究对象

本回顾性研究在单一三级中心(韩国首尔国立大学医院)进行,书面知情同意要求被豁免(IRB编号:2307-207-1457)。

一名放射科医师检索了我院2021年11月至2022年11月的放射学数据库,以确定符合研究纳入标准的患者。纳入标准如下:(a)年龄19岁及以上、因疑似急性卒中就诊于我院急诊科的患者;(b)在作为卒中关键路径一部分的专用宽探测器CT扫描仪上接受非增强头颅CT以进行全脑灌注成像的患者;(c)在1天内接受后续弥散加权成像(DWI)MRI的患者(图1)。排除具有除缺血性卒中以外实质性脑病变(卒中模拟病,如出血或肿瘤)的患者。患者组由50例经后续DWI确诊为急性缺血性卒中的连续患者组成。此外,对照组由前50例DWI上无急性缺血性病灶的连续患者组成。最终,共纳入100例患者。患者特征,包括性别、年龄、最后记录的正常时间和首次记录的异常时间,从电子病历中收集。

图1 主要研究人群纳入和排除标准的流程图 CP:关键路径;MRI:磁共振成像;DWI:弥散加权图像 查看原图 ↗

CT采集与图像重建

所有患者均使用320通道CT扫描仪(Aquilion ONE,Canon Medical Systems,日本栃木)进行头颅平扫CT检查。扫描参数如下:管电压120 kVP;有效管电流时间乘积240 mAs;光束准直0.5 × 40 mm;容积CT剂量指数(CTDIvol)48.11 mGy;视野240 × 240 mm;矩阵512 × 512。

所有CT数据集均使用厂商提供的混合迭代重建(adaptive iterative dose reduction,AIDR)图像(脑核FC68)和与厂商无关的深度学习重建(DLR)(ClariCT.AI,ClariPi,韩国)图像进行重建。DLR模型是一种与厂商无关的基于U-net的卷积神经网络(CNN)去噪算法,在超过100万张CT图像上进行训练,这些图像通过基于合成正弦图的低剂量模拟生成,涵盖不同厂商、扫描仪和重建设置。其性能已在多项体部和儿科影像的临床研究中得到验证[14–16]。重建图像的层厚为3 mm,视野相同。所有图像均成功处理。经DLR和IR重建的正常头颅CT代表性配对图像见图2。

图2 同一次CT扫描中两种不同重建方法的正常头颅图像示例。与厂商提供的混合迭代重建图像(adaptive iterative dose reduction,AIDR,Canon Medical Systems)(a)相比,深度学习重建图像(ClariCT.AI,ClariPi)噪声降低,灰白质边界显示改善(b) 查看原图 ↗

观察者研究与定量测量

200幅重建头颅平扫CT图像的质量由两名放射科住院医师(读者1和读者2,分别为培训第三年和第二年)和两名神经放射学家(读者3和读者4,分别具有12年和10年神经放射学经验)进行评估。所有观察者在评估过程中对患者信息和重建参数均设盲。观察者可根据自身判断调整窗宽和窗位。观察者对重建技术和诊断均设盲。图像以随机顺序呈现给观察者。

主观图像质量采用5点Likert量表评估,包括整体图像质量评分和灰质/白质(GM/WM)区分评分。整体图像质量评分如下:1分,无法诊断;2分,图像质量差,不足以评估细微病变;3分,图像质量中等,足以评估软组织;4分,图像质量好,等同于当前标准;5分,图像质量优秀,优于当前标准。GM/WM区分评分如下:1分,GM/WM区分差,诊断质量受损;2分,GM/WM区分减低,诊断质量降低;3分,GM/WM区分可接受,低于当前标准;4分,GM/WM区分一般,等同于当前标准;5分,GM/WM区分优于当前标准。此外,图像噪声和伪影程度采用3点量表评估(补充表1和表2)。

通过使用5分制评估急性缺血性病灶的可见度来评价诊断性能,评分参数如下:1,无局灶性病灶;2,低概率(> 5%且< 25%);3,中等概率(> 25%且< 75%);4,高概率(> 75%且< 90%);5,确定(> 90%)(补充表3)。

统计分析

对于定性图像质量评估,计算每位阅片者对整体图像质量、灰质/白质(GM/WM)分化、图像噪声和伪影程度的平均评分,并在所有阅片者之间取平均值。平均值比较采用Wilcoxon符号秩检验。阅片者间一致性采用Gwet‘s AC2及二次加权评估[17]。对于诊断性能评估,计算每位阅片者缺血性病灶可见度的平均评分,并采用Wilcoxon符号秩检验进行比较。对每位阅片者进行单阅片者受试者工作特征(ROC)曲线分析,并根据阅片者经验(住院医师 vs. 神经放射科医师)对阅片者亚组进行多阅片者、多病例ROC曲线分析,采用随机病例和随机阅片者模型[18, 19]。显著性水平设定为0.05。所有统计分析均使用R软件(版本4.2.3;R Core Team,2023)完成;使用“MRMCaov”包进行多阅片者ROC分析,使用“irrCAC”包评估阅片者间一致性。

结果

患者分组

本研究共纳入100例患者;研究组50例患者包括28例男性和22例女性,平均年龄69.6岁(范围,21–91岁),对照组50例患者包括28例男性和22例女性,平均年龄68.8岁(范围,28–93岁)。图像采集与最后记录的正常时间之间的平均时间间隔以及图像采集与首次记录的异常时间之间的平均时间间隔分别为11小时和6小时20分钟。研究组后续DWI上的中位梗死体积为13.4 mL(四分位距,3.1-44.8 mL)。平均CTDIvol为45.4 mGy,平均剂量长度乘积为726.4 mGy∙cm。

定性图像质量分析

在整体图像质量方面,所有阅片者对DLR的平均评分显著高于IR(4.02 vs. 3.23,p < 0.001)。在所有阅片者中,DLR的GM/WM分化及图像噪声的平均评分也显著高于IR(分别为4.07 vs. 3.34,p < 0.001;2.94 vs. 2.25,p < 0.001)。在伪影方面,DLR的平均伪影评分低于IR,提示DLR可能加重伪影的存在(分别为2.59 vs. 2.71,p = 0.02)。DLR和IR的详细观察者评分见表1。

表1 根据深度学习重建(DLR)和迭代重建(IR)图像,观察者对整体图像质量、灰质/白质分化、噪声和伪影的平均评分详情 查看原表 ↗

患者组与对照组之间病灶可见度评分的比较

在患者组中,所有阅片者的病灶显示清晰度平均评分均为DLR显著高于IR(分别为3.60 vs. 3.12、3.84 vs. 3.12、3.90 vs. 3.70和4.06 vs. 3.62),其中三名阅片者(两名放射科住院医师和一名神经放射学家)显示出统计学显著差异(分别为p = 0.014、< 0.001、0.137和0.017)。对于这些阅片者,病灶显示清晰度评分大于4(提示病灶可能性> 75%)的比例分别增加了:阅片者1增加10个百分点,阅片者2增加30个百分点,阅片者4增加18个百分点。

在对照组中,所有阅片者的病灶显示清晰度评分均为DLR显著高于IR(分别为1.56 vs. 1.22、1.46 vs. 1.20、1.78 vs. 1.34和2.08 vs. 1.42;分别为p = 0.009、0.016、0.009和0.002)。对于所有阅片者,DLR的清晰度评分为1的比例降低。有趣的是,在神经放射学家中,评分超过4(提示病灶可能性> 75%)的比例有所增加:阅片者3增加8个百分点,阅片者4增加16个百分点。所有阅片者在患者组和对照组中观察到的每个病灶显示清晰度评分也呈现在表2和补充图1中。

表2 患者组和对照组的病灶显示清晰度评分 查看原表 ↗

卒中病灶检测的诊断性能

采用ROC曲线分析评估DLR和IR的诊断性能。在单阅片者分析中,每位阅片者均无统计学显著差异(所有p > 0.05;表3)。放射科住院医师的ROC曲线下面积(AUC)值DLR大于IR(0.888 vs. 0.844;p = 0.002),而神经放射学家的AUC值DLR低于IR(0.857 vs. 0.911;p = 0.034)。每位阅片者的ROC曲线见图3。急性缺血性卒中患者的代表性病例和对照组中潜在的假阳性病例见图4。

图3 每位阅片者的受试者工作特征曲线。粗线代表基于深度学习重建图像(DLR)的曲线,虚线代表基于迭代重建图像(IR)的曲线 DLR:深度学习重建图像;IR:迭代重建图像;AUC:曲线下面积;CI:置信区间 查看原图 ↗
图4 代表性病例。病例1:60岁男性,急性左侧大脑中动脉上干梗死。迭代重建(IR)(a)和深度学习重建(DLR)(b)图像成对显示,并附有CT后30分钟内采集的相应弥散加权成像(DWI)(c)。两名住院医师阅片者将IR评分为1(无急性病灶),DLR评分为3和4(中等、高可能性)。神经放射学家将IR评分为3、4,DLR评分为4。病例2:79岁女性,构音障碍(发病4.5小时)。显示IR(d)和DLR(e)图像;30分钟内获得的DWI(f)和4天随访DWI(未显示)未显示急性缺血-梗死病灶。所有阅片者将IR评分为1(无急性病灶)。DLR评分较高:一名神经放射学家评分为4(高可能性),其他人评分为3(中等可能性),可能由于DLR上慢性缺血性改变被 accentuated。 查看原图 ↗
表3 深度学习重建(DLR)与迭代重建(IR)图像诊断急性缺血性病变的受试者工作特征(ROC)曲线分析 查看原表 ↗

观察者间一致性

总体图像质量、灰质/白质(GM/WM)分化、图像噪声和伪影评分的Gwet AC2值分别为0.930(95% CI,0.919–0.942)、0.912(95% CI,0.899–0.925)、0.886(95% CI,0.864–0.908)和0.885(95% CI,0.861–0.909)。

讨论

通过迭代重建(IR)等技术,头部CT图像质量已持续改善[6, 7]。深度学习重建(DLR)是近期的一项进展,在图像质量改善方面具有良好前景;然而,其在临床头部CT中的诊断影响,尤其是对急性缺血性卒中的诊断影响,仍研究不足[11–13]。在本研究中,我们比较了与厂商无关的基于深度学习的图像重建(DLR)和厂商提供的混合迭代重建(IR)在非增强头部CT检测急性缺血性卒中病变背景下的定性图像质量和诊断性能。DLR带来了更优的总体图像质量(4.02 vs. 3.23)、更高的灰质/白质分化(4.07 vs. 3.34)和有效的噪声降低(2.94 vs. 2.25)。鉴于非增强头部CT中灰质/白质之间的衰减差异较小[5, 12],这些改善的意义在早期卒中检测背景下尤为突出,因为早期卒中检测中Hounsfield单位(HU)的细微变化需要高水平的图像清晰度和对比分辨率。我们的研究进一步评估了两种重建方法的诊断性能,重点关注急性缺血性病变的可见度。

这些结果与既往研究一致,这些研究证明DLR能够改善多种医学影像模态(包括CT)的图像质量并降低噪声[10, 12, 20–25]。此外,一项既往荟萃分析比较了两种深度学习重建模型(True Fidelity [TF]和Advanced intelligent Clear-IQ Engine [AiCE])与迭代重建(IR)在腹部CT中的应用,结果显示DLR在降低图像噪声的同时保持理想图像纹理方面具有更优能力[24]。一项上腹部体模研究也显示,DLR在病变检测和剂量降低方面优于IR[25]。在神经放射学领域,改善CT图像质量的努力也长期存在,而DLR代表了这一趋势的近期延伸。在DLR引入之前,IR技术已通过改善图像质量并在Alberta卒中项目早期CT评分(ASPECTS)评分中获得更高的观察者间一致性且与最终梗死范围对应更好,显示出对急性卒中成像的明确益处[26, 27]。尽管此前关于DLR在头部CT中的研究较少[12, 13, 28],但关于这些改善可转化为对急性缺血性改变更优检测的近期证据仍有限。我们的研究证明了DLR对非增强头部CT卒中诊断的潜在影响,尤其是通过提高经验较少阅片者的表现。

有趣的是,尽管经验丰富的阅片者在DLR与IR之间的病灶显著性方面未表现出显著差异,但经验较少的阅片者使用DLR时表现出明显优势。这些发现提示,DLR的益处对经验较少的放射科医生可能更为明显,可能有助于缺血性卒中病灶的早期识别。经验较少的阅片者所观察到的性能改善可归因于DLR在增强细微结构勾勒方面的先进能力,从而有助于更好的病灶显著性和诊断准确性。相比之下,在对照组中应用DLR导致所有阅片者的评分降低1分,表明被归类为无卒中可能性的病例比例下降。这一效应在神经放射科医生中尤为明显,其AUC值出现下降。我们假设这些发现可能归因于DLR下可见的慢性缺血性病灶显著性增加,导致对急性卒中概率的高估。因此,我们建议使用DLR图像进行判读的经验丰富的阅片者同时评估常规IR图像,以保持诊断的严谨性,并避免基于提示慢性病理的细微发现而产生潜在误判。

尽管我们的研究无法评估伪影方面的改善,但我们预期结果提示使用DLR对细微结构的勾勒有所增强[22],从而改善伪影检测。通过ROC曲线分析以病灶显著性评估神经放射科医生诊断性能的结果也提示,非增强头颅CT中细微低衰减结构勾勒的改善导致神经放射科医生对照组的假阳性率增加,尤其是在临床经验更丰富的阅片者(阅片者4)中。此外,由于我们在本研究中未提供患者的临床信息或症状(如偏侧化体征,其强烈提示卒中或既往缺血性卒中病史),对同样表现为低衰减病灶的慢性缺血性病灶的检出在对照组中会增加。此外,我们未评估预测梗死位置是否与真实病灶相符,也未评估CT上的个体化早期缺血征象。因此,我们的研究未能完全代表真实世界的临床实践。然而,我们回顾性研究的范围旨在探索整体图像质量及其对诊断性能的影响。因此,需要进一步的前瞻性研究来证明DLR在真实急性卒中临床环境中的益处。

在所有阅片者中,DLR图像的灰质/白质(GM/WM)分辨评分均显著高于IR图像(4.07 vs. 3.34)。评分4定义为“灰白质分辨中等,等同于当前标准”,反映的是在无急性病变或显著成像伪影患者中进行的标准CT检查通常观察到的图像质量。虽然IR观察到的较低评分可能提示质量低于标准,但重要的是要考虑研究人群:疑似急性缺血性卒中患者往往配合度降低且存在不自主运动,可能影响图像采集。既往报道已证实,急诊科无意识患者CT扫描中运动伪影频繁出现[29]。尽管存在这些潜在不利的成像条件,DLR仍维持了接近标准评分的分数。这些发现提示,即使在真实急诊环境中常见的图像劣化情况下,DLR也有助于维持灰白质分辨。然而,DLR改善的灰白质分辨并未与更优的诊断性能相关。已知DLR会因幻觉而产生人工结构,可能导致假阳性[30]。本研究中也观察到这一点,神经放射科医师报告对照组假阳性发现率增加,因此对其广泛应用需谨慎。

本研究存在若干局限性。第一,本研究为回顾性研究,纳入患者数量相对较少。第二,本研究为单中心、单厂商研究,可能存在选择偏倚。因此,为确认研究结果,需要开展纳入更多患者的多中心、多厂商研究。此外,缺乏涵盖卒中模拟病(如颅内出血)的评估,需要进一步研究以明确DLR诊断性能的完整范围。最后,由于研究的回顾性性质,本研究未涉及头部CT的辐射剂量降低问题。鉴于本研究结果揭示了DLR在整体图像质量和降噪方面优于IR,通过改变重建机制实现辐射剂量降低是可能的。需要进一步开展前瞻性研究,评估DLR对降低辐射剂量方案的影响。

结论

总之,我们的研究表明,在平扫头部CT中,与IR相比,DLR在图像质量、组织分辨和降噪方面提供了主观改善。我们观察到DLR对经验较少的放射科医师在急性缺血性卒中检测方面具有潜在获益。然而,可能观察到假阳性发现风险增加,且这种风险可能因阅片者经验不同而更为明显。需要进一步开展大规模前瞻性研究,以评估DLR在头部CT中的作用,并确定其是否能改善急性缺血性卒中的评估,尤其是在经验较少的阅片者使用时。

补充信息

以下是电子补充材料的链接。

补充材料1(DOCX 297 KB)

引用

  1. Kim D, Hwang I, Choi KS, et al. Deep-learning reconstruction for noncontrast head computed tomography: Improved image quality and potential diagnostic impact in acute ischemic stroke. Neuroradiology. 2026. PMID: 41862664. doi:10.1007/s00234-026-03955-4
  2. 全文:PMC13139282(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13139282/

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。