人工与AI自动定位在COVID-19患者CT成像中的对比
127例COVID-19患者在同一CT上行两次胸部CT,首次手动定位(MP组),随访时AI自动定位(AP组),比较定位时间、辐射剂量和图像质量。AP组定位时间减少28%,偏离中心距离更小,定位准确率99% vs 92%,有效剂量降低16%(6.1 vs 7.3 mSv),竖脊肌噪声降低9%。
要点
- AI自动定位使定位时间减少28%(AP 29.0s vs MP 40.0s)。
- AP组偏离中心距离1.56cm,小于MP组4.05cm。
- AP组定位准确率99%,高于MP组92%。
核心结论
- 基于AI的自动定位与中心校准是减少辐射剂量、优化成像流程和图像质量的有前景的新技术。
研究设计与样本
- 单中心研究,纳入127例确诊COVID-19成人患者(男68例,女59例,平均年龄57.7岁),在同一台Revolution Maxima CT上先后行两次胸部CT,首次手动定位(MP组),随访时AI自动定位(AP组),两次扫描间隔5–8天。
关键影像表现/征象
- 肺部病灶以磨玻璃影、实变影和间质增厚为主,MP组791个病灶中766个位于肺外周,AP组957个病灶中927个位于肺外周。
- AP组上胸部竖脊肌噪声49.7HU±7.3,低于MP组54.1HU±9.3;中胸部竖脊肌噪声48.9HU±8.5,低于MP组53.9HU±9.1(均p<0.001)。
- 主动脉和气道的噪声在两组间无显著差异。
- 肺外周区域病灶在AP组噪声显著更低、SNR显著更高;按肺段整体分析AP组噪声略低、SNR略高。
诊断标准与关键数值
- 定位准确定义为图像完整覆盖肺尖和膈肌,AP组126/127(99.0%)准确,MP组117/127(92.0%)准确。
- 偏离中心距离为DFOV中心到经双侧腋窝水平线的垂直距离,AP组1.56cm±0.83,MP组4.05cm±2.40(p<0.001)。
- 辐射剂量:AP组CTDIvol 13.3mGy±2.4 vs MP组14.9mGy±2.3,DLP 437.4mGy·cm±95.6 vs 523.4mGy·cm±87.7,ED 6.1mSv±1.3 vs 7.3mSv±1.2(均p<0.001)。
临床应用与阅片要点
- AI自动定位通过3D摄像头和深度学习算法识别8个体表解剖标志,胸部扫描使用胸骨颈静脉切迹和髂嵴两个标志,可一键完成非接触式定位。
- AP组仅1例(1/127)需在AI选择后对扫描范围做小幅手动调整。
- AP组扫描范围总体缩小6%,贡献了额外6%的剂量降低;偏离中心改善使达到相似噪声所需的CTDI降低11%。
- 图像噪声以感兴趣区(ROI)CT值的标准差表示,SNR=平均CT值/标准差;肺部病灶和竖脊肌测量采用50mm² ROI。
局限性
- 本研究仅纳入COVID-19患者,样本量相对较小,可能存在混杂偏倚,结论推广至更大规模人群需进一步评估。
- 扫描协议未完全优化且未使用迭代重建算法,COVID-19患者所用辐射剂量处于剂量谱高端,仍有较大改进空间。
- 仅评估了一台制造商的CT设备,AI定位在不同CT设备上的通用性需进一步研究。
- 尽管在同一患者同一机器上测量,两次CT检查时患者配合状态仍可能存在差异。
全文中译16 节 · 点击展开
引言
在计算机断层扫描(CT)中,准确的患者定位和中心对准仍然是降低剂量和图像噪声的重要关注问题[1–3]。一项研究报告称,患者偏离中心6 cm,导致表面剂量增加高达41%,图像噪声增加22%[4]。为了在降低辐射剂量的同时实现高诊断图像质量,技师在CT扫描过程中付出额外努力以准确选择解剖扫描范围并仔细将患者置于中心。然而,手动定位和精确中心对准是一个耗时的过程,依赖于技师且往往不一致且非最优。对于传染病患者,技师与患者之间的互动还携带潜在的交叉感染风险。
人工智能(AI)技术的最新进展在识别和解读影像数据中的复杂模式方面已展现出显著进步。AI与CT成像的结合可以提供更快、更准确、更高效的基于影像的诊断[5]。借助3D视觉传感器,AI可以识别患者的姿态和形状,实现自动化非接触式图像采集工作流程。Yang Wang等人(2020)报道,U-HAPPY(联影肺部自动规划盒)CT具有自动定位和扫描功能,有助于降低辐射剂量[6]。Booij等人[7]和Saltybaeva等人[8]也报道了使用3D相机进行CT患者中心对准的准确性,该相机依赖深度神经网络进行图像轮廓勾画。最近,GE Healthcare推出了Revolution Maxima CT,其依赖深度学习算法和实时深度传感技术来将患者置于中心、定位所需解剖结构并自动执行扫描。该CT扫描仪在疫情期间在我院成功用于诊断COVID-19患者。然而,将AI应用于CT扫描技术仍处于探索阶段。本研究的目的在于分析和比较COVID-19患者在同一CT机器上使用相同CT方案但采用传统手动定位(MP)模式或基于AI的自动定位(AP)模式进行多次随访CT扫描时的成像工作流程、患者定位和中心对准准确性、辐射剂量及图像质量。我们希望我们的发现能为智能CT工具的特性提供有用信息,帮助放射科医生以更低辐射剂量更高效地获得更好的图像,同时减少CT检查中医务工作者暴露于传染病患者的潜在风险。
材料与方法
本研究经医学伦理委员会批准(批准号:2020037)。我院机构审查委员会豁免了本研究的书面知情同意,并获得了患者的同意。
患者与数据来源
我们研究中的所有患者均根据中国国家卫生健康委员会发布的《新型冠状病毒肺炎诊疗方案(试行第五版)》[9]被诊断为COVID-19。共纳入127例(男68例,女59例;平均年龄57.7岁;年龄范围20~83岁)确诊SARS-CoV-2感染的患者,这些患者在2020年2月12日至2020年4月10日期间在武汉雷神山医院至少接受了两次胸部CT检查(更多详细信息见表1)。这些患者首次胸部CT采用传统手动定位和居中方法,随访CT检查采用基于人工智能(AI)的自动定位和居中方法。本研究中的患者仅限于无需生命支持管路及其他设备且能遵循语言指令者。两次扫描之间的间隔时间为5~8天。根据不同的定位方法,患者被分为传统手动定位(MP)组和基于AI的自动定位(AP)组,并比较两组间的所有CT图像和临床数据。
CT图像采集与重建
MP组和AP组的成像工作流程如图1a和b所示。胸部CT扫描在配备基于AI的自动患者居中和解剖定位软件(GE Healthcare)的Revolution Maxima CT上进行,扫描范围为肺尖至膈肌。两组使用相同的扫描方案,参数如下:管电压,120 kVp;机架旋转时间,0.4 s;螺距,1.375:1;扫描视野(SFOV),50 cm;层厚,5 mm;管电流(mA),自动管电流调制(ATCM)以获得11.57的噪声指数;所有轴位图像使用标准重建算法和标准卷积核进行重建;重建显示视野(DFOV),35~50 cm;重建层厚,1.25 mm。
基于AI的自动患者定位和居中
基于人工智能的自动定位使用一台固定的、安装于天花板的、现成的2D/3D摄像机,该摄像机可确定其视野内各点的距离。它在CT系统现有的机架安装式触摸屏上显示标准RGB视频图像(图2 a、b)。摄像机的标准输出信息与各CT系统机架和检查床安装几何结构的精确空间信息一起,用于确定解剖标志位置以及定位扫描的起始和结束位置。扫描仪上的扫描协议结构中包含一个用于解剖参考的字段。自动定位方法支持的8个解剖参考为眶耳(OM)基线、胸锁切迹(SN)、剑突(XY)、髂嵴(IC)、左膝和右膝(KN)以及左踝关节和右踝关节(AJ),如图2 c所示。自动定位软件使用两种具有不同输入的深度学习算法(RGBLandmarkNet网络和DepthLandmarkNet网络),产生可比较的输出,以识别患者身体上的全部8个解剖标志。所有这8个识别出的标志均用于确定患者方向(头先入或足先入)。在我们的研究中,SN和IC标志用于胸部扫描。RGBLandmarkNet网络使用2D视频图像作为输入,并输出全部八个预定义标志在X和Z方向的位置。与此同时,DepthLandmarkNet网络使用摄像机的3D深度数据也产生全部八个预定义标志位置。3D深度图像用于根据深度信息在患者体表轮廓的点网格上生成“点云”。随后对点云进行分割以产生身体轮廓。身体轮廓用于确定性地计算患者的垂直几何中心。然后使用中心点位置计算患者居中所需的检查床高度。当患者位于CT扫描床上时,可通过控制室操作台上的单键按钮自动执行患者定位和居中。
图像质量评估
图像质量由三名放射科医师(H.B.X.、J.X.H.、Y.D.G)在标准肺窗显示设置(窗位−700,窗宽1500)下进行分析。肺部病灶及这些病灶的感兴趣区(ROI)位置经协商一致确定。通过在上、中胸部区域主动脉、气管和竖脊肌表现均匀的区域放置50 mm²感兴趣区(ROI),测量这些结构的平均CT值和以亨斯菲尔德单位(HU)表示的标准差(SDev),如图3c所示。每项检查每个ROI区域连续测量三幅图像,并确定平均值。还测量了肺部病灶内CT值的平均值和SDev,如图3a、b所示。肺部病灶主要包括磨玻璃影、实变影和间质增厚。还记录其他影像学异常(胸腔积液、结节或肿块、空洞或钙化、细支气管或支气管扩张以及肺气肿)。肺段通过参考支气管分支模式 [10–12] 进行定义。如果病灶位于肺外侧三分之一,则定义为周围型;否则定义为中央型。病灶的信噪比(SNR)根据以下公式计算:SNR = 平均CT值/SDev。图像噪声用SDev值表示。
定位时间
定位时间由CT技师为每项检查记录。定位时间定义为从患者躺在CT检查床上到技师完成定位并开始扫描的时间。
偏心距离和定位准确性
患者偏离中心距离通过以下步骤在轴位CT图像上测量:(i)选择包含胸骨柄的横断面图像,并画一条穿过两侧腋窝的水平线;(ii)通过显示网格并选择网格的中心交叉点来确定图像显示视野(DFOV)的中心;(iii)记录从DFOV中心到该水平线的垂直距离(图3d)。对于定位准确性,完整覆盖应包含肺尖和膈肌。因此,如果肺尖和膈肌的图像被完全覆盖,则认为患者定位成功;否则,定义为不完整或不准确(图4a、b)。
辐射剂量
由CT技师从每次检查的剂量报告图像中记录容积CT剂量指数(CTDIvol,单位为mGy)和剂量长度乘积(DLP,单位为mGy-cm)。患者有效剂量(ED,单位为mSv)根据以下公式计算:ED = DLP × Cf,其中Cf代表胸部CT的转换因子(Cf = 0.014 mSv/mGy-cm)。
统计分析
连续变量以均值 ± 标准差表示,当数据呈正态分布时采用配对样本t检验进行比较;否则采用Wilcoxon符号秩检验;数据分布采用Shapiro-Wilk检验进行检验。分类变量以数量(百分比%)表示,并采用McNemar检验进行比较。双侧p值小于0.05被认为具有统计学意义。所有统计分析均使用IBM SPSS软件(版本22.0)进行。
结果
研究对象基线特征
本研究共纳入127例COVID-19患者,平均年龄57.7岁(范围20–83岁)。其中,男性68例(53.5%),女性59例(46.5%)。男女比例为1.15:1。其体重指数(BMI)值范围为17.4–33.1 kg/m2,平均值为24.3 kg/m2(见表1)。
定位时间、准确性和偏离中心距离比较
AP组定位时间显著短于MP组:AP组为29.0 s ± 7.0,MP组为40.0 s ± 11.0,p < 0.001(图1c)。定位准确性和偏离中心距离通过患者胸部CT图像确定。AP组记录的定位准确性(127例中126例,99.0%)显著高于MP组(127例中117例,92.0%)(图4)。基于AI方法获得的患者偏离中心距离均显著小于手动方法获得的偏离中心距离(AP组平均偏离中心距离为1.56 cm ± 0.83,MP组为4.05 cm ± 2.40,p < 0.001)(表2)。
辐射剂量
基于AI的定位组CTDIvol值(13.3 mGy ± 2.4 vs. 14.9 mGy ± 2.3,p < 0.001)、DLP值(437.4 mGy.cm ± 95.6 vs. 523.4 mGy.cm ± 87.7,p < 0.001)和ED值(6.1 mSv ± 1.3 vs. 7.3 mSv ± 1.2,p < 0.001)均显著低于手动定位组(表2)。
图像噪声
图像噪声由上胸部和中胸部区域竖脊肌的标准差(SDev)测量值表示。在这两个区域,采用AP方法获得的CT图像噪声水平均统计学上低于采用MP方法获得的CT图像:上胸部平均噪声,AP 49.7HU ± 7.3 vs. MP 54.1HU ± 9.3,中胸部平均噪声,AP 48.9HU ± 8.5 vs. MP 53.9HU ± 9.1(均p < 0.001)(表3)。然而,两组中主动脉和气道的噪声值无显著差异。
肺部病灶的噪声和信噪比(SNR)
两组均可在任何肺段发现肺部病灶。然而,它们主要分布在肺外周区域(MP组791个病灶中的766个 vs. AP组957个病灶中的927个)(表4)。总体而言,从肺段角度来看,AP组病灶的图像噪声略低,SNR略高(表4)。但对于位于外周区域的病灶,AP组的噪声显著低于MP组,SNR显著高于MP组(表5,图3)。
讨论
我们分析并比较了使用传统手动定位方法或基于人工智能(AI)的自动患者定位和居中方法检查COVID-19患者的成像工作流程、辐射剂量和图像质量。我们的结果表明,基于AI的方法不仅以99%的准确率自动定位患者并缩短了患者定位时间,而且通过更好地居中患者和更小的定位误差裕度,降低了患者的辐射剂量和整体图像噪声。
在降低辐射剂量的同时实现高图像质量始终是理想的。在COVID-19大流行期间,减少患者检查时间和快速诊断疾病变得更加必要,因为快速筛查和治疗患者应是遏制大流行最关键的措施。将人工智能引入CT成像为我们提供了一种实现这一目标的新方法。自动定位功能通过深度学习算法自动检测解剖标志,并将定位操作简化为单击操作,如图1和图2所示。这种自动定位操作在我们的研究中被证明是高效的,在帮助应对COVID-19大流行中发挥了重要作用。我们的结果表明,使用基于AI的定位进行胸部CT扫描可缩短完成患者定位的时间。特别是,与MP组相比,AP组的胸部定位时间减少了28%。这种自动患者定位操作在我们的研究中也被证明是准确的。在我们的研究中,AP组只有一名患者(127名中的1名)在AI选择后需要对扫描范围进行轻微手动调整。此外,根据AP组的剂量长度乘积(DLP)报告,扫描范围更精确,总体减少了6%,这为AP组患者的剂量额外降低了6%。
根据一些相关研究,偏心定位的患者会显著增加图像噪声和剂量需求[13]。在基于人工智能(AI)的自动患者定位和居中技术中,3D摄像头检测患者的深度信息,并计算所需的检查床升高量,以在所选协议中设定居中。自动居中功能无需考虑操作者技能即可优化辐射剂量和图像质量。我们的研究发现,采用手动定位方法时患者的偏心距离大于采用基于AI方法时的偏心距离。在我们的研究中,患者偏心距离从MP组的4.05 cm ± 2.40显著降低至AP组的1.56 cm ± 0.83。AP组偏心位置的减小随后使达到相似图像噪声所需的辐射剂量(CTDI)降低了11%。结合基于AI的定位所带来的扫描范围收紧,我们在AP组实现了16%的剂量降低(AP 6.1 mSv ± 1.3 vs. MP 7.3 mSv ± 1.2)。
当患者在机架中定位不当时,不仅辐射剂量需求被人为增加,图像质量往往也会下降[14]。我们的结果还表明,采用AP模式获得的CT图像中噪声水平,尤其是在竖脊肌和周围肺区域病灶中,在统计学上低于采用MP模式获得的CT图像。Chung等[15]报道,COVID-19患者的肺部病灶主要分布于肺的周围区域。因此,采用AP模式的居中患者可能对周围病灶的图像质量产生积极影响,并提供潜在的剂量降低机会。
最近,Yang Wang等报道了使用智能系统(U-HAPPY CT)[6]来降低胸部CT应用中的辐射暴露。我们的结果显示了非常相似的辐射暴露降低发现。Booij等[7]和Saltybaeva等[8]也报道了使用依赖深度神经网络进行图像轮廓勾画的3D摄像头在CT中的患者居中准确性。我们的结果也与他们的结论一致,即基于AI的技术提高了患者居中准确性,进而改善了图像质量。此外,我们还证明了在我们的CT扫描仪上,基于AI的患者定位技术能够通过一键按钮自动定位患者且无需人工接触,这不仅缩短了定位时间、改善了工作流程,还最大限度地减少了患者与医务人员之间潜在的交叉污染,这在COVID-19等流行病或大流行期间更为重要。
我们的研究存在一些局限性。首先,由于该扫描仪是为抗击COVID-19疫情而专门购置的,出于安全要求,患者仅限于COVID-19患者;由于患者数量相对较少,我们的研究可能存在混杂偏倚。但基于人工智能的定位方法不应仅限于COVID-19患者,需要更大样本量的更多评估来推广结论。此外,在疫情期间的恐惧和混乱中,新购置CT扫描仪的扫描方案尚未完全优化,且未使用迭代重建算法,因为我们不确定迭代重建算法会如何影响COVID-19患者的图像质量和诊断。具体而言,用于COVID-19患者的辐射剂量处于剂量谱的高端,有很大改进空间。然而,我们认为辐射剂量不应影响我们研究的结论。其次,我们仅评估了来自一家制造商的一台CT扫描仪。需要更多研究来探讨人工智能定位在不同CT扫描仪上的通用性。第三,尽管本研究的测量是在同一患者的同一台机器上进行的,但两次CT检查期间患者配合状态仍存在差异。
总之,我们的研究表明,使用基于人工智能的自动患者定位和居中可在胸部CT成像中减少辐射剂量、提高检查效率、提高定位精度并提高图像质量。该技术对于诊断COVID-19患者等感染性患者具有重要的附加临床价值,可降低患者与医务人员之间的交叉感染风险。
引用
- Gang Y, Chen X, Li H, et al. A comparison between manual and artificial intelligence-based automatic positioning in CT imaging for COVID-19 patients. Eur Radiol. 2021. PMID: 33740092. doi:10.1007/s00330-020-07629-4
- 全文:PMC7975236(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7975236/
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。