深度学习重建可改善脑非增强CT图像质量
该回顾性研究纳入48例脑非增强CT患者,比较深度学习重建(DLR)与混合迭代重建(Hybrid-IR)及基于模型迭代重建(MBIR)的图像质量和重建时间。DLR在所有主观图像质量特征上显著优于MBIR,与Hybrid-IR相比噪声更低、灰白质分化更好,重建时间仅轻度增加。
要点
- DLR在脑非增强CT中噪声低于Hybrid-IR和MBIR,灰白质分化优于Hybrid-IR。
- DLR所有图像质量特征评分显著高于MBIR,且重建时间大幅缩短。
- DLR较Hybrid-IR重建时间仅增加17秒,临床可接受。
局限性
- 仅评估了0.5 mm薄层重建,DLR对厚层的影响预期相似但噪声降低可能 less pronounced。
- 噪声仅以标准差衡量,未纳入不同重建算法的噪声纹理差异。
- 仅评估图像质量特征偏好,未纳入检测任务评价颅内病变诊断准确性。
全文中译10 节 · 点击展开
引言
决定计算机断层扫描(CT)图像质量的一个重要因素是重建算法。直到十年前,重建一直使用滤波反投影(FBP)进行。该技术可获得良好的图像质量,且计算速度非常快,但在低剂量情况下存在噪声问题,且容易产生伪影[1]。这些问题可以通过迭代重建技术来解决。早在1970年就提出了迭代重建技术[2],但计算能力的限制阻碍了其在临床实践中的广泛实施。直到2009年,第一批所谓的混合迭代重建(Hybrid-IR)方法所需的计算时间才足够短,使其得以在临床中广泛实施[3]。这些算法仍基于FBP,但在图像域和/或投影域进行迭代滤波,从而降低重建中的噪声和伪影[4]。
2011年,第一种全模型迭代重建(MBIR)获得了FDA许可[3]。这种重建方法比Hybrid-IR算法进一步降低了伪影和噪声[5, 6]。然而,其缺点包括对计算能力要求更高,导致重建时间长,以及重建图像呈现塑料样的斑驳外观[3, 6–8]。这些因素导致MBIR算法在临床领域的影响有限。
2018年,一种基于深度学习的新重建方法被引入。深度学习广泛应用于放射学的许多领域[10]。这种基于深度学习的重建(DLR;AiCE,佳能医疗系统株式会社)旨在将噪声和伪影降低到与MBIR相同的程度,但与Hybrid-IR技术相比,重建时间仅略有增加,同时图像外观比MBIR更自然,较少出现塑料样和斑驳外观。如图1所示,该DLR是在使用MBIR从高剂量采集数据重建的图像上进行训练的,MBIR设置为最大化图像质量,但计算时间较长。使用不同剂量条件获取的Hybrid-IR图像被用作输入。在临床实践中,训练好的深度学习模型被应用于Hybrid-IR图像[9]。
已发表少量研究报道了该DLR技术应用于腹部CT(使用患者和体模图像)的图像质量。这些研究表明,在超高清CT和常规多排探测器CT(MDCT)中,与Hybrid-IR和MBIR相比,DLR的噪声更低、图像质量评分更高[9, 11–13]。
在脑部非增强CT(NCCT)中,噪声妨碍了灰白质之间低对比度的可见性,使得DLR降噪的前景对于提高脑部NCCT的诊断性能特别有意义,例如用于改善颅内出血和缺血早期征象的检测。
因此,本研究的目的是评估DLR在脑部NCCT中与Hybrid-IR和MBIR相比的图像质量和重建时间。我们的假设是,DLR所产生的图像质量与Hybrid-IR和MBIR相当或更优,且图像重建时间短于MBIR。
方法与材料
进行了一项观察者研究以评估和比较感知图像质量,并进行了客观分析以定量比较图像信号和噪声特征。本回顾性研究经区域伦理委员会批准(文件编号CMO 2016-3045,项目19051),该委员会在研究数据中所有患者信息去标识化后豁免了患者知情同意的要求。
研究设计与研究人群
收集了2019年6月14日至2019年9月7日期间因各种临床指征接受NCCT的连续50例患者的脑部NCCT扫描。两次扫描标注错误,似乎为增强扫描,被排除。在其余48例患者中,28例为男性,年龄范围为19–86岁,中位年龄为66岁。在临床判读中,19例患者发现颅内出血,13例患者有梗死征象,4例患者注意到肿瘤。7例患者置有脑室分流管,4例患者有弹簧圈栓塞的动脉瘤,2例有颅内压监测器,1例有立体定向框架。
CT采集与重建
所有采集均在320排探测器CT扫描仪(Aquilion One PRISM edition,Canon Medical Systems Corporation)上进行。患者使用不同的扫描模式和技术的进行扫描,详见表1。
所有采集均使用三种重建技术进行重建:Hybrid-IR(AIDR 3D Enhanced,脑kernel FC26)、MBIR(FIRST Brain Standard)和DLR(AiCE Brain LCD)。所有重建的层厚均为0.5 mm,视野相同。
观察者研究与定量测量
48例重建NCCT的图像质量由四名经验丰富的放射科医师和一名专攻神经放射学的最后一年住院医师评估。噪声幅度、锐利度、自然外观、伪影、灰白质分化和整体感知图像质量使用5点Likert量表评分,详见表2。评估在放射科阅片室中进行,使用配有校准诊断显示器(Barco MDNC-3321)的工作站,室内灯光调暗。观察者对重建技术设盲,图像以随机顺序呈现。每位观察者的病例顺序和重建技术顺序不同。
由一位拥有22年X射线成像经验的成像科学家(L.O.)在一位神经放射学家(E.S.)的监督下,在每个重建容积中放置了三个感兴趣区(ROI),涵盖不同的结构:侧脑室内的脑脊液(CSF)、半卵圆中心(白质)和壳核(灰质)。椭圆形ROI包含311至475个像素。测定脑脊液中的标准差(SDCSF)作为噪声大小的量度,并使用(HU壳核 – HU半卵圆中心)/SDCSF计算灰质和白质的信号差噪声比(SDNR),其中HU是相应ROI内体素CT值的平均值。由于后颅窝有更多骨性结构,因此可能更容易产生伪影,所以还测量了第四脑室中的SD,以确定与侧脑室测量相比是否会得到不同的值。
为了获得重建持续时间的量度,对前15次采集的每种重建方法的总重建时间进行了手动测量。由于重建是在CT系统上进行的,所报告的重建时间代表了临床实践中可预期的时间。
统计分析
观察者研究中评分参数的平均值使用一般线性模型(GLM)估计,以考虑多位读者。全因子GLM以重建方法和读者作为因子构建。每种重建方法各参数的估计均值进行两两比较,并使用Bonferroni校正来调整多重比较。不同重建方法的定量指标使用配对t检验进行比较。
进行亚组分析,评估序贯模式和螺旋模式扫描的NCCT的图像质量。使用与上述相同的方法,但在GLM中加入了一个包含采集类型的因子。为了观察三种重建方法之间伪影是否表现不同,另一项亚组分析仅使用有异物的患者的扫描进行。
结果
观察者研究
图2显示了所有病例和观察者对每种图像质量特征评分的堆叠条形图。在MBIR中,最多20%的评分被评为4或5分,而DLR至少有50%达到这些评分。DLR和Hybrid-IR的评分差异不太明显,且因图像质量特征而异。GLM得出的每种重建方法的估计边际均值如表3所示。对于所有图像质量特征,DLR评分显著优于MBIR,而与Hybrid-IR相比,DLR在感知噪声和灰白质分化方面更受青睐。图3提供了使用三种不同重建算法重建的示例层面。与Hybrid-IR和MBIR相比,DLR的图像噪声明显更低,从而使灰质和白质之间的区分更好。表4显示了仅分析有异物患者的扫描时发现的结果。评分在观察者偏好方面未显示与整个病例集相比有任何显著差异。
不同观察者的评分如图S1(补充在线材料)所示,采用按观察者和按图像质量特征分组的堆叠条形图。当将DLR与其他重建技术进行比较时,按图像质量特征将评分二分分为“DLR表现相当或更好”和“DLR表现更差”,结果显示每位观察者与观察者总体均值之间的最大偏差为10%,但以下情况除外:一位观察者在评估灰白质分化时的平均评分为15%,一位观察者在评估锐利度时为−31%,两位观察者在评估自然外观时为36%和31%。这四个较大的差异出现在DLR与混合迭代重建(Hybrid-IR)的比较中。表5显示,与螺旋模式相比,顺序模式扫描的NCCT在所有图像质量特征上评分均更高。使用该模型(包含采集技术),重建方法仍为显著因素(p < 0.001),而重建方法与采集技术之间的交互作用不显著(p = 0.21)。
定量测量
侧脑室、半卵圆中心和壳核脑脊液内ROI的位置如图4所示。如表3所示,DLR的测量噪声幅度(SDcsf)明显低于Hybrid-IR和MBIR的噪声幅度。DLR在灰质和白质之间也产生了最高的SDNR。这些图像质量的改善是在与Hybrid-IR相比重建时间适度增加(+ 17 s)的情况下获得的,但与MBIR相比重建时间大幅减少(− 132 s)。如表5所示,顺序扫描的SDcsf和SDNR显著优于螺旋扫描。
讨论
本研究评估了深度学习重建(DLR)对脑部平扫CT(NCCT)图像质量的影响,并确定:在较小的重建时间代价下,与混合迭代重建(Hybrid-IR)相比,DLR可改善噪声和组织分化,同时保持其他质量特征的质量。为此,DLR需要额外17秒的重建时间。与基于模型的迭代重建(MBIR)相比,DLR在所有图像质量特征方面表现更好。这些结果与评估DLR在体部应用中的研究一致[9, 12–14]。这些研究显示,与Hybrid-IR和MBIR相比,DLR具有更低的噪声和更高的信号差噪比(SDNR),尽管这些研究也显示DLR具有更高的主观图像质量评分。在本研究中,未检测到DLR与Hybrid-IR在总体质量评分上的统计学显著差异,尽管在大多数病例中DLR的主观图像质量评分高于Hybrid-IR。
测得的较低噪声以及因此较高的SDNR可能允许降低辐射剂量。DLR图像中的噪声约为Hybrid-IR结果的1.3倍更低。尽管在滤波反投影中噪声随剂量的平方根降低,但DLR和Hybrid-IR并非如此[11, 15],这使得仅基于本研究结果无法直接确定在维持SDNR的情况下可实现何种剂量降低。为此,需要进一步研究噪声特征(幅度和纹理)随剂量的变化。当然,另一种选择是维持相同剂量水平,这可能会带来诊断性能的改善。
由于线束硬化(例如在后颅窝)或异物存在,伪影在脑部平扫CT上很常见。在易产生伪影区域(如第四脑室)进行的额外噪声测量未显示出与侧脑室脑脊液(CSF)中不同的结果。此外,对存在异物的患者病例所给评分的亚组分析未显示观察者偏好方面有任何与整个病例集所发现的显著差异。如Fig. 5所示,异物所致伪影在不同图像重建算法之间相当。
本研究使用了不同的采集技术。大多数采集(35次)使用螺旋扫描技术,CTDIvol为52.7 mGy。另有10次采集采用序贯模式,CTDI较低,为43.2 mGy。本研究发现序贯扫描技术的图像质量特征显著更高。分析显示采集技术与重建方法之间无显著交互作用,提示两种采集技术之间图像质量特征的统计学显著变化在所有重建技术中相当。其他研究发现螺旋与序贯脑部扫描的总体图像质量特征相当,尽管发现了微小差异[16, 17]。一项关于胸部CT的研究使用与本研究中使用的CT系统相当的CT系统,发现序贯采集使用比螺旋扫描约低10%的剂量即可获得相同的图像质量[18]。为在该CT系统的脑部中研究这一效应,需要更多研究。
我们的研究存在局限性。第一,仅评估了薄层重建(0.5 mm),但深度学习重建(DLR)对更厚层厚的影响预计相似,尽管噪声降低可能不那么明显,因为较厚层厚在所有重建方法中本身噪声较低。第二,噪声仅以标准差衡量。尽管该参数被广泛用于概括噪声,但它并未纳入每种重建算法不同的噪声纹理[11]。然而,噪声纹理是感知自然外观的重要因素[19],且该图像质量特征在混合迭代重建(Hybrid-IR)与DLR之间被判定为无显著差异,而DLR相比基于模型的迭代重建(MBIR)更受青睐。最后,我们仅考察了对特定图像质量特征的偏好,未纳入评估颅内病变诊断准确性的检测任务。为确定DLR是否具有真正的临床获益,有必要开展纳入病变检测和表征性能的后续研究。
总之,本研究表明,与Hybrid-IR相比,DLR在重建时间略有增加的情况下,可实现更低的噪声和更好的组织区分。与DLR相比,MBIR的图像质量显著较低,且重建时间长得多。
补充信息
(PDF 345 KB)
引用
- Oostveen LJ, Meijer FJA, de Lange F, et al. Deep learning-based reconstruction may improve non-contrast cerebral CT imaging compared to other current reconstruction algorithms. Eur Radiol. 2021. PMID: 33693996. doi:10.1007/s00330-020-07668-x
- 全文:PMC8270865(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8270865/
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。