文献速递神经技术与安全CTDR

双平面平片生成颅脑CT:GAN可行性研究

TomoRay cranial: synthesis of cranial CT imaging from biplanar radiographs using a generative adversarial network.
PubMed 文献 · Eur Radiol · 2026-01-15

该可行性研究训练两个2D到3D生成对抗网络,分别以数字重建平片和真实X线片为输入合成颅脑CT。模型1外部验证PSNR为15.61、SSIM为0.782,模型2内部验证PSNR为14.69、SSIM为0.717。当前合成图像尚不能无缝对应真实CT。

要点

  • 以DRR为输入的模型1重建质量优于以真实X线片为输入的模型2。
  • 当前合成颅脑CT分辨率与真实度不足,不具备直接诊断价值。
  • 该方法未来可能用于分流术后三维评估并减少额外辐射暴露。

核心结论

  • 本研究为概念验证,首次以深度学习从双平面平片生成人工颅脑CT图像。
  • 合成图像显示一定前景,但现阶段尚不能无缝对应真实CT。

研究设计与样本

  • 模型1训练与验证使用3个中心共235例图像,输入为数字重建平片。
  • 模型2训练与测试使用单中心1323例图像,输入为真实X线片或灰度反转透视图像。
  • GAN架构沿用X2CT-GAN,输出分辨率模型1为192×192×192、模型2为128×128×128体素。
  • 验证采用PSNR和SSIM作为图像质量指标,另用DICE和ASSD等评估配准效果。

关键影像表现/征象

  • 合成CT可重建出颅骨轮廓与部分脑实质大体结构,但细节与真实CT存在差距。
  • 模型1外部验证表现较好的例子可见颅骨形态与脑室大致对应,但分辨率不足。
  • 模型2合成CT整体较模糊,难以清晰显示颅内细微病理结构。
  • 低质量重建病例表现为解剖结构错位和软组织对比失真的表现。

诊断标准与关键数值

  • 模型1内部验证PSNR为16.68±1.01,SSIM为0.799±0.029。
  • 模型1外部验证PSNR为15.61±1.02,SSIM为0.782±0.030。
  • 模型2内部验证PSNR为14.69±0.85,SSIM为0.717±0.034。
  • 颅骨掩膜DICE评分模型1内部为0.68、外部为0.59。
  • 神经颅骨检测YOLOv8模型mAP50为0.989,mAP50-90为0.798。

临床应用与阅片要点

  • 当前技术不适用于以诊断为目的的替代性颅脑成像,阅片时不可将合成CT等同于真实CT。
  • 若未来技术成熟,可用于脑室腹腔分流术后利用分流平片生成三维信息以减少额外辐射。
  • 评估合成CT时应重点关注颅骨轮廓、脑室形态等大体结构,细微病灶识别仍依赖真实CT。

局限性

  • 模型1使用DRR而非真实X线片作为训练输入,DRR与真实X线片并不完全一致。
  • 苏黎世与博洛尼亚数据集仅纳入脑积水患者,限制了对其他病理类型的推广性。
  • 模型2仅使用单中心数据且缺少患者人口学与病理绝对计数信息。
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:Eur Radiol. 2026 Jan 15;36(6):4873–87. doi: 10.1007/s00330-025-12253-1

引言

在神经创伤或血管急症中,往往需要进行重复CT成像,尤其是对于仅能进行有限神经系统检查的意识不清患者[1, 2]。重复成像有助于追踪血肿、脑脊液状态、中线移位及脑疝等情况[3, 4]。然而,CT成像涉及明显的后勤问题,特别是对于血流动力学不稳定的患者或连接着多种生命支持系统(如呼吸机、血液透析、ECMO及多台监护仪)的患者。在重症监护病房或创伤复苏区进行CT采集的本地化方案,如移动CT甚至移动MRI,已被探索[5]。然而,当应用于此类危重症患者群体时,这些方法存在缺点,如辐射暴露、费用高,以及需要将患者置于无头部抬高的仰卧位。此外,全球许多中心无法获得此类小众技术。

同样,在神经外科手术过程中,从置入脑室外引流管(EVD)到脑肿瘤切除,重复的三维成像将是有益的,前提是其可快速获取且具有足够的准确性[6]。术中CT(尤其是锥形束CT)和术中MRI已在许多中心得到采用[7–9]。然而,这些方式除了后勤方面的挑战外,还伴随高昂的购置和维护成本,因此通常仅在手术中使用一次[5, 7, 8]。

已有研究表明,利用双平面胸部X线片作为深度学习模型的输入,可以生成类似胸部CT的图像[10]。迄今为止,尚无此类算法在颅脑方面的应用报道。由于脑实质完全被颅骨包裹,与软组织透光度较好的胸部X线片相比,从颅脑X线片进行三维软组织窗重建更具挑战性。然而,当获取颅骨三维图像不可行或不切实际时,这种二维到三维的重建方法可能被证明是有效的。本研究提出了一项初步工作,利用深度学习从成年神经外科患者的双平面X线片生成人工颅脑CT扫描。它为后续研究探索此类算法在日常临床中的应用价值设定了一个起点。

材料与方法

伦理考量与患者知情同意

患者数据的处理符合《赫尔辛基宣言》及其修正案中概述的伦理标准。该数据的使用获得了苏黎世机构审查委员会(IRB,苏黎世州伦理委员会,BASEC 2023-00689)和大田乙支大学医院(编号2023-12-012)的批准。对于在博洛尼亚收集的数据,伦理批准由艾米利亚-罗马涅大区伦理委员会授予(编号94-2025-OSS-AUSLBO)。

数据收集

模型1:基于 digitally reconstructed radiograph(DRR)的

来自不同中心的三个数据集被用于模型1的开发和评估。苏黎世数据集包含2020年9月至2022年12月期间因脑积水接受分流器植入术或分流器翻修术的患者,并进行了回顾性评估。纳入标准为:成人(年龄≥18岁)患者在分流器置入后48小时内可获得介入术后计算机断层扫描和颅骨X线影像。使用置入分流器患者的影像,是因为该患者群体常规接受术后X线检查。相应X线影像的可用性旨在允许与本研究中生成的数字重建放射影像(DRR)进行视觉比较,并为未来使用真实X线作为输入的模型训练提供可能,但这些X线尚未应用于模型1的训练。影像不充分(48小时内无相应X线)的患者未被纳入。数据集中包含了不同病因的脑积水。苏黎世数据集共包含114次检查的CT。

公开可用的CQ-500数据集由在新德里不同机构采集的回顾性头部CT扫描组成[11]。病理包括脑实质内出血、硬膜下出血、硬膜外出血和蛛网膜下腔出血,以及颅骨骨折。部分患者的随访扫描须手动排除,以确保最终数据集中每位患者仅保留一次CT扫描。此外,若干质量较差的扫描(明显失真和/或分辨率极低)不得不被剔除。最终数据集中保留了71次CT扫描并用于模型训练。

第三个数据集包含来自博洛尼亚的50例正常压力性脑积水患者在分流器置入后的回顾性CT影像。影像回顾性收集自2016—2019年。

由于机器学习模型的训练需要标准化数据,而相应的X线和CT扫描难以获取(仅苏黎世数据集有X线),因此使用DRR作为模型1训练的输入。此外,X线与CT之间解剖结构对齐的方式存在异质性,这对监督模型训练构成挑战。DRR能够以相对较高的精度从三维CT生成类似X线的图像,因此可作为真实X线的替代。CT定位像本可用作输入,但DRR在理论上由于模拟了来自虚拟探头的射线投影而更接近真实X线[12]。尽管如此,DRR并不完全等同于实际X线,这就是我们探索使用真实X线进行模型2的原因。所有DRR均使用Plastimatch软件生成[13, 14]。

表2概述了苏黎世和博洛尼亚数据集中患者的特征、影像信息和疾病特征。图1A和表1展示了上述数据在训练集和验证集中的分配情况。

图1 研究概览。A 本研究数据分配概览。B 模型应用于新数据及使用图像相似度指标进行性能评估的示意图。示例图像取自模型1的内部验证集。gtCT,真实CT;sCT,GAN生成的合成CT;PSNR,峰值信噪比;SSIM,结构相似性指数;DDR,数字重建放射影像;GAN,生成对抗网络 查看原图 ↗

模型2:基于X线

来自大田乙支大学医院的1323幅图像用于模型2的训练和内部评估。该数据集中的所有图像均回顾性收集自2015年至2022年。纳入标准为成年(18岁以上)患者具有配对的颅脑CT和X线影像。透视影像(而非X线片)在将灰度反转使其外观类似于X线片后也被纳入。这些反转后的图像与X线片足够相似,因此纳入是合理的。

已采取措施防止数据集之间的数据泄漏。表3概述了用于模型2训练的数据集中发现的病理情况。

预处理、模型开发与验证

针对模型1和模型2

第一步,将去标识化的CT图像从DICOM格式转换为NIfTI格式。为获得可靠的真实CT(gtCT)数据集,我们使用了一种刚性变换算法,将所有影像与Rorden等人根据35例无脑实质病变的高分辨率CT扫描计算出的标准化CT进行对齐[15]。接下来,将所有CT扫描重采样为各向同性体素间距(1 × 1 × 1 mm³),并将数据集中所有图像的分辨率统一为256 × 256 × 256体素。值得注意的是,这仅作为起点,图像在模型训练前会根据训练参数中指定的图像尺寸自动调整大小。这些指定的尺寸对应模型输出层的大小,因此也对应分辨率,是经过仔细选择以利用相应训练机器的最大计算能力。对脑实质应用了Hounsfield窗(窗中心40 HU,窗宽40 HU)。对于两个模型,均采用了X2CT-GAN中首次描述的生成对抗网络(GAN)架构[10]。该模型架构已证明能够成功从胸部X线片重建三维CT,为当前任务提供了合适的框架。其他用于从二维输入重建三维图像的模型架构虽然存在,但它们不使用深度学习、源代码不易获得,或者模型架构需要为本研究目的进行大幅修改[16, 17]。

本研究的重点不是探索特定的颅内病理,而仅仅是研究二维到三维X线到类CT影像转换的可行性。因此,未对合成CT(sCT)中的病理识别进行系统性评估。

模型应用与评估的示意图见图1B。

模型1(基于DRR)

使用Plastimatch软件从CT扫描中生成DRR,作为训练过程中的模型输入[13]。这一步骤在CT扫描进行Hounsfield窗处理之前,使用“plastimatch drr”命令完成[18]。生成的DRR尺寸为320 × 320像素。

模型1使用150次CT检查进行训练,以双平面数字重建影像(DRR)作为输入生成sCT。模型参数随机初始化,必要时进行手动超参数调优。训练集由CT图像及其对应的DRR组成。最终GAN以0.0001的学习率训练150个epoch,之后使用lambda学习率调度器降低学习率再训练30个epoch。输出图像的分辨率为192 × 192 × 192体素。

完成训练过程后,最终模型在内部和外部验证集上进行了评估,这两个验证集分别包含35名和50名患者的图像。

对于模型1,代码在Windows操作系统上运行,使用Python 3.10.6和适用于CUDA 11.6的PyTorch 1.12.1 [19, 20]。

模型1的预处理流程示意如图2所示。

图2 模型1的预处理。A 步骤1:将加窗CT扫描配准到标准化CT扫描。B 步骤2:从标准化后的CT扫描生成数字重建影像。C 输入CT(蓝色)与同一CT配准后(红色)的对比 查看原图 ↗

模型2(基于X射线)

与模型1不同,模型2的训练使用了真实X射线。如有需要,对X射线进行手动调整以确保它们具有相同的方向。根据像素强度的分布,自动识别数据集中的任何透视图像,并对灰度值进行反转。

使用来自苏黎世数据集的196张手工标注的X射线(98张正位,98张侧位)训练了一个YOLOv8l模型,用于检测和提取神经颅(具体包括额骨、筛骨、蝶骨、顶骨、颞骨和枕骨)[21]。随后在包含30张图像(15张正位,15张侧位)的内部验证集上使用平均精度(AP50和AP50-95)进行评估[22]。其在韩国数据集上的性能未进行定量评估。在将任何图像输入YOLOv8进行训练和推理之前,沿X射线的较短边填充黑色像素以形成正方形图像。神经颅的提取在全分辨率图像上进行。由于计算限制,提取的感兴趣区域随后被调整为512 × 512像素,然后再与归一化颅骨X射线进行配准。这些归一化X射线是使用Plastimatch从标准化CT扫描获取的两张DRR(正位和侧位)[13, 15]。总之,韩国数据集中所有X射线的预处理包括使用YOLOv8l在X射线上检测神经颅[21],随后将裁剪出的颅骨与前述两张标准化DRR进行刚性配准[23]。

这两个步骤使我们能够部分消除X射线中任何结构与gtCT相比在绝对尺寸、旋转或平移方面的差异。

用于模型2训练和验证的韩国数据集在患者层面进行了划分。最终训练集包含1200次CT扫描及其配对的X射线(或反转后的透视图像)。模型2以0.00025的学习率训练150个epoch,此后使用lambda学习率调度器降低学习率再训练50个epoch。仅进行了极少的超参数调优。输出sCT分辨率为128 × 128 × 128体素。

一个包含123次检查的内部验证数据集用于评估模型性能。

对于模型2,所有代码均在Windows操作系统上运行,使用Python 3.10.13和适用于CUDA 12.1的PyTorch 2.1.1 [19, 20]。

模型2的预处理流程示意图见图3。

图3 模型2的预处理。A 步骤1:将窗宽窗位调整后的CT扫描配准到标准化CT扫描。B 步骤2、3和4:灰度反转(如需要)、神经颅骨提取以及患者X线片到标准化X线片的刚性配准 查看原图 ↗

指标与评估

通过配准使患者CT与标准化颅脑CT对齐的改善程度采用DICE评分、平均对称表面距离(ASSD)、质心(COM)和主轴(PA)进行评估。DICE评分量化了患者CT与标准化CT的二值颅骨掩模之间的体积重叠程度,而ASSD测量两个对应二值掩模边界之间的平均最短距离。COM代表所有体素的平均体素位置(几何中心),PA则通过对二值掩模内体素坐标进行主成分分析得出,描述颅骨体积的主导空间方向。主导方向通常对应枕额方向。与其他对齐指标相比,颅脑CT的PA测定相对容易产生误差,尤其是对于颅骨近似球形的患者(三个维度尺寸相近)。因此,PA应被视为定性指标(有改善 vs. 无改善),而非精确的定量指标。

模型重建的sCT质量采用峰值信噪比(PSNR)和结构相似性指数(SSIM)进行评估。SSIM和PSNR是公认的图像质量指标,既往研究已对其进行了详尽描述 [10, 24–26]。平均精度用于评估模型2中标准化输入X线片所用的神经颅骨提取模型,是目标检测任务中的成熟指标 [27]。为评估模型1捕捉基本解剖关系的能力,比较了gtCT与sCT之间的颅骨宽度、颅骨长度、头颅指数(最大颅骨宽度除以最大颅骨长度)和Evans指数。此外,采用DICE评分研究了二值颅骨掩模的重叠情况(补充图3)。

结果

患者队列

模型1(基于DRR)

模型1使用来自150例CT检查的影像数据进行训练(Zurich和CQ 500),并在共计85例扫描上进行性能评估(Zurich和CQ500用于内部验证,Bologna用于外部验证)。内部验证数据集中的病例经随机选择以获得均衡分布。Zurich数据集中最常见的脑积水病因按降序排列为出血、正常压力脑积水和肿瘤。

模型2(基于X线)

1200例检查用于训练,123例扫描被保留作为验证数据集(均来自韩国)。内部验证数据集的扫描选择为随机进行,以确保均衡分布。无患者人口统计学信息及病理绝对计数可用。

详细的患者特征及数据集构成信息见表1–3。

表1 模型1和模型2的数据集构成 查看原表 ↗
表2 Zurich和Bologna数据集的患者、疾病及影像特征 查看原表 ↗
表3 韩国数据集的疾病特征 查看原表 ↗

模型性能

表4和表5分别概述了模型1和模型2的模型性能。

表4 模型1在训练集和留出集上的性能 查看原表 ↗
表5 模型2在训练集和留出集上的性能 查看原表 ↗

模型1(基于DRR)

配准:CQ500数据集中的颅脑结构已经良好对齐,因此未纳入该分析。总体而言,来自苏黎世和博洛尼亚数据集的164幅图像与标准化头部CT的对齐在DICE评分上平均提高了1.7%。ASSD平均改善了8.3%,COM之间的距离平均减少了25.2%。主轴之间的误差下降了5.9%。更详细的概述见补充表1,补充图2提供了一个示例,说明了共配准所实现的改进。

图像质量:内部验证时的性能评估显示PSNR为16.68 ± 1.01,SSIM达到0.799 ± 0.029。

在外部验证期间,PSNR达到15.61 ± 1.02。SSIM为0.782 ± 0.030。

模型1生成的成像示例见图4和图5,分别来自内部和外部验证集的病例。补充图1显示了来自外部验证数据集的表现不佳的病例。

解剖相关性:由gtCT和重建CT生成的颅骨掩模的重叠在内部和外部验证集上的DICE评分分别为0.68和0.59(补充图4)。

最大颅骨直径和最大颅骨宽度在真实图像与重建图像之间均显示出中等至较强的相关性,Pearson相关系数分别为0.60和0.89。Evan指数在外部验证时相关性为0.16,仅显示出低相关性(补充图5)。

图4 模型1在内部验证数据集上的输出示例。A–D 良好重建示例。E–H 较不成功的重建。A、E GAN生成的sCT。B、F 对应的gtCT。C、G 用作模型输入的数字重建放射影像。D、H 来自分流系列的实际X线片,用于与DRR比较(不用于重建)。sCT,合成CT;gtCT,真实CT;GAN,生成对抗网络;DRR,数字重建放射影像 查看原图 ↗
图5 模型1在外部验证数据集上良好重建的示例。A GAN生成的sCT。B 对应的gtCT。C 数字重建放射影像用作模型输入。外部验证数据集的CT扫描没有可用的对应X线片。sCT,合成CT;gtCT,真实CT 查看原图 ↗

模型2(基于X线)

用于从颅脑X线片中提取神经颅的YOLOv8模型的内部验证结果显示,mAP50为0.989,mAP50-90为0.798。

在模型2的内部验证中,记录到的PSNR为14.69 ± 0.85,SSIM为0.717 ± 0.034。

图6显示了模型2为留出集中的一个病例生成的sCT。

图6 模型2在内部验证数据集上的输出示例。A GAN生成的sCT。B 对应的gtCT。C 输入X线片。sCT,合成CT;gtCT,真实CT;GAN,生成对抗网络 查看原图 ↗

讨论

利用来自1500多名患者的多中心数据,开发并验证了两个用于将X线片转换为sCT的生成对抗网络(GAN)。一个模型以DRR作为输入,而第二个GAN可以处理实际的双平面X线片。在与gtCT相似性方面,性能表现一般,尤其是模型2。尽管本研究得出了可正常工作的模型,但在目前的初步状态下,合成图像在客观性和分辨率方面仍落后于真实CT扫描。其在临床实践中的附加价值需要经过审慎评估。然而,据作者所知,这是第一项利用深度学习从双平面DRR以及真实X线片生成合成头部CT的研究。

我们评估了通过配准实现的模型1的CT图像方向标准化改进。配准后,DICE评分、ASSD、COM距离和PA均有所改善,表明配准后重叠度、边界匹配、居中对齐和旋转对齐均有改善。这些指标的改善幅度在1%至25%之间,可能看似不大,但数据集中大多数CT在初始时已经对位良好。配准步骤主要解决图像方向上的轻微不一致,并额外充当少数颅脑结构严重错位图像的兜底保障。

从X线片生成sCT可能非常有益,可减少时间、成本和对患者的辐射暴露。脑室腹腔分流术后,通常会常规进行CT扫描以及分流系列X线片检查,以评估置管位置是否正确以及脑室缩小是否充分 [28, 29]。单独使用X线摄影不足以实现分流管位置的三维评估。因此,本研究提出的模型的增强版本可使神经外科医生利用分流系列检查中的影像来生成三维信息,而无需让患者接受任何额外辐射,甚至可允许术中验证导管位置是否正确。

苏黎世和博洛尼亚数据集仅包含脑积水患者的图像。这是有意为之,以减少影像数据的异质性,因为本研究提出的是二维到三维颅骨X线影像转换的初步方法。选择脑积水患者是因为他们属于少数在短时间内常规接受CT和X线检查的神经外科病例。这一设计允许将数字重建放射片(DRR)与真实X线片进行比较,并将使我们在未来工作中能够使用真实X线片而非DRR作为输入来改进模型。我们承认,苏黎世和博洛尼亚数据集仅纳入脑积水患者,本质上限制了研究结果对其他病理类型的外推性。尽管如此,我们认为,至少在更广泛的适用性得到证明之前,重点应放在单一病理类型上。这种方法将有助于评估该病理在重建影像中的呈现效果,而不会引入混合病理训练带来的偏倚。一旦这一点得到确立,未来工作应探索更具泛化能力的模型的可行性。使用真实X线片而非DRR对于创建具有临床适用性的模型至关重要,但缺乏以标准化方式采集的X线数据阻碍了开发。X线采集过程中患者体位和影像放大率的显著异质性妨碍了机器学习模型的有效训练[30, 31]。尽管所提出的X线预处理方法旨在通过提取神经颅骨并将其配准到标准化DRR来抵消这一问题,但其影响部分反映在模型2生成的合成CT质量显著较低上。最近一项研究表明,使用非90°角度获取的DRR可能对脊柱X线片的CT重建产生负面影响[32]。虽然一定程度的异质性在临床工作流程中不可避免,但更标准化的X线采集技术有助于减少变异性,并可能有利于使用真实X线片训练模型。DRR作为真实X线片的替代,在分辨率和细微解剖结构显示方面无法完全匹配真实X线片。尽管如此,它们为概念验证研究提供了一种更易获得且被广泛接受的替代方案[10, 12]。

GAN能够生成外观逼真的人工图像,执行图像到图像以及文本到图像的转换,并提高图像分辨率 [33–35]。使用机器学习向CT进行跨模态转换已得到应用,例如从MRI到sCT或从锥形束CT到螺旋CT [36, 37]。然而,所有这些研究都旨在将三维成像从一种模态转换为另一种三维模态。Xingde Ying等人创建了一个GAN,允许将双平面胸片转换为合成胸部CT [10]。通过应用他们的GAN架构,并在将参数调整到我们任务的需求后,本研究推导出了允许将双平面头部X线片转换为颅骨sCT的初步模型。类似的适配已在脊柱成像中得到探索 [26, 32]。二维到三维sCT重建并非一个全新的研究领域,但2018年之前的研究主要集中于统计方法,如统计形状模型或迭代重建算法,而自那以后深度学习已成为主要驱动力 [38]。最早的方法之一是数字断层合成,其可追溯至20世纪70年代,而FDA直到40多年后的2013年才批准其用于乳腺癌筛查 [39]。这进一步说明新型成像模态所经历的漫长发展过程,基于深度学习的重建仅处于这一过程的起点。迄今为止,CT重建研究最多的解剖区域是胸部,只有较小比例的研究关注颅脑结构。更重要的是,虽然大多数研究报告了对其模型性能的验证,但所有研究中只有22%进行了外部验证 [38]。这种缺乏充分验证的情况限制了泛化性,因此也限制了临床应用。这进一步强调了进行彻底外部验证的必要性,正如本研究中所执行的。在定量性能方面,模型1在外部验证中达到了0.78的SSIM。这与胸部X线片比较研究中观察到的范围大致一致,后者达到了0.72的SSIM,而脊柱研究报告的SSIM为0.47 [10, 32]。然而,这些比较应谨慎解读,因为除了可能存在的方法学差异外,这两项研究纳入的图像含有显著更多的软组织,而颅脑CT通常具有更大的背景区域。

在遥远的未来,2D到3D的合成CT(sCT)重建模型有望被纳入放射科医生、神经科医生、神经外科医生和重症监护专家等利益相关者的临床工作流程中。对于脑实质的诊断和治疗过程中的引导,断层重建被认为是绝对必要的。虽然H. Cushing能够仅使用X线定位较大的脑膜瘤,W. Dandy开展了脑室造影研究以识别脑肿瘤[40, 41],但当今的需求要求对骨骼和脑实质进行更为精细的三维判断。一般而言,X线和透视成像无法满足这些先决条件。存在专门的手术中3D透视设备,可提供由3D透视生成的CT图像[42]。然而,由于其高昂的购置和维护成本,其在全球范围内的推广受到限制。未来,一个类似于本研究中训练的模型可以从这类透视成像中推导出三维sCT,而无需任何额外设备。由于X线中空间信息和解剖分辨率的限制,基于深度学习的断层成像重建在质量上很可能无法与真实CT相媲美。因此,在所有的临床场景中取代CT并不现实。但是,在单独的放射摄影成像被证明不充分、而断层成像又可能被认为是过度检查的情况下,一个深度学习模型,如本研究中所提出的模型,可以找到其用武之地。示例适应证可能包括在资源有限环境中对创伤性脑损伤的诊断,或直接从术后(甚至术中)X线片评估脑室外引流管放置是否正确。此外,还可评估钻孔手术后术后气颅情况。进一步的研究应探索将所提出模型的增强版本应用于此类特定临床场景,以评估其临床实用性。

为初步评估模型对基本解剖关系的捕捉能力,我们比较了模型1在合成CT与真值CT中的颅骨宽度、颅骨长度和Evans指数。颅盖测量值显示出强相关性,而脑实质Evans指数的相关性较低。这一发现并不意外,因为双平面2D X线片可提供关于颅骨形态的可靠信息,但对颅内结构仅能提供有限了解。未来需要有研究来确定重建X线片能否以及能在多大程度上准确反映颅骨骨折或颅内病变。虽然本研究为X线到CT转换的潜在优势提供了一些认识,但本研究存在一些固有局限性。尽管所采用的这些用于图像重建任务定量评估的指标是最先进的,但它们不一定与合成影像的视觉清晰度相对应[10, 32, 43]。在某些情况下,较模糊的图像可能比视觉上准确的图像获得更好的图像质量性能评分[44]。然而,由于缺乏替代指标,我们仍选择使用这些指标。另一个需要注意的问题,尤其是对于未来拟由医生临床应用的模型,是生成对抗网络(GAN)可能严重依赖训练数据中(病理)特征的分布。当向这种模型输入具有新特征的影像,而这些特征在训练数据中代表性不足或未被纳入时,模型输出可能不可靠[45]。在本研究的评估过程中就遇到了这一问题。具体而言,在少数病例亚组中,患者既往接受过去骨瓣减压术。模型1无法在其输出的合成CT(sCT)中充分体现这一情况。然而,该模型能够识别出与未行去骨瓣减压术的X线片相比存在异常(图4E)。同样,模型1训练所纳入的所有患者均患有脑积水。因此,对于具有不同诊断的患者,该模型可能不那么可靠。在最坏的情况下,这可能导致患者被误诊。尽管如此,将模型正确应用于能够代表模型最初训练所用数据的图像,可以应对这一问题。目前,尚不清楚像我们提出的这种模型能否用于诊断目的。必须针对每个不同的临床问题或诊断应用开展单独的临床试验来回答该问题。这些去骨瓣减压术患者的图像仍保留在内部验证数据集中,因此被纳入最终性能分析,以获得对我们模型更真实的评估。未来该领域的工作必须包括根据病理(如颅内出血或颅骨骨折)以及神经外科装置(如脑深部电刺激电极或脑室-腹腔分流管)对模型性能进行分层评估。

在模型1的外部验证和模型2的训练过程中还遇到了另一个问题:本研究使用的CT扫描,其矢状位和冠状位视图依赖于从轴位视图的间接重建,而轴位是唯一可获取高分辨率的平面。这在博洛尼亚和韩国数据集中造成了问题,因为与苏黎世数据集相比,其轴位图像层数少得多(约40-80层),而苏黎世数据集的CT通常包含超过200个轴位层。因此,矢状位和冠状位重建分辨率较低,并引入了重建伪影(见图5)。

对于模型1而言,这在外部验证中影响了所生成DRR的质量,并因此也影响了模型在外部验证中的表现,因为它引入了与训练数据相比的系统性差异。由于使用外部数据集进行验证对于确立模型泛化性至关重要,这些数据尽管分辨率欠佳,仍被纳入结果中。

在模型2的训练过程中也遇到了类似的问题:由于训练中使用的gtCT在冠状位和矢状位平面上分辨率较低,因此生成的模型CT在这些平面上也同样缺乏清晰度。

训练2D到3D模型的计算成本极其高昂。用于训练模型1的机器配备了两块NVIDIA RTX A6000 GPU,这是NVIDIA目前市场上性能最好的GPU之一。尽管如此,由于计算资源的限制,我们仍不得不对X线片和CT进行降采样。所有训练都必须在医院内部本地完成,以满足当地伦理委员会设定的要求。目前DRR模型的输出分辨率为192×192×192体素,不到常规头颅CT标准平面内分辨率的一半。这种分辨率上的妥协自然意味着细微解剖结构可能无法以足够的细节呈现。然而,早期CT图像的分辨率也同样较低,只是随着时间推移,我们今天使用的高分辨率扫描仪才被逐步开发出来[46]。本研究生成的sCT分辨率足以评估较大的解剖结构,如颅骨直径和脑室宽度,但对解剖结构进行更精细的分析超出了本可行性研究的范围。随着更新、更强大且价格可负担的硬件的发展,像我们提出的这种模型有望在不久的将来以更接近原始分辨率的目标进行sCT生成训练。如前所述,基于X线片所提供的有限信息,要完全匹配原始CT分辨率是不现实的。相反,X线到CT的重建模型可能更适合用于检测较广泛的病理过程(例如明显出血或脑室宽度的变化)或辅助术中定位导航(例如脑室外引流管放置),在这些场景中,空间保真度比高分辨率更为重要。

最后,需要承认本研究仍处于初步阶段,因此还需要进一步努力来完善模型(例如改进预处理、增加高质量训练数据以及对模型2进行外部验证)。从真实X线片生成高质量sCT面临一些重大挑战,其中之一是必须对采集角度和图像尺寸等输入参数进行高度标准化。模型2生成的sCT质量显著低于模型1。尽管本研究通过将所有X线片配准到标准化投影像上部分解决了这一问题,但我们的刚性变换算法尚不完善,未来的研究应致力于在X线采集和预处理阶段进一步优化标准化过程。此外,未来研究还应纳入专家(如神经放射学家或神经外科医生)的定性评估,将所提出的重建方法的结果与真实CT进行比较。

基于超过1500次CT扫描的影像数据,训练并评估了两个用于从双平面X线片生成合成颅脑计算机断层扫描的GAN,其中一个使用数字重建放射片(DRR)作为输入,另一个使用真实X线片作为输入。尽管两个模型生成的sCT扫描尚未达到真实CT扫描的精确度,但这项概念验证研究是首个探索该方法用于颅脑成像的研究。它为颅脑二维到三维医学图像转换的潜在应用提供了早期见解。

补充信息

电子补充材料

引用

  1. Zanier, Ryu, Da Mutten, et al. TomoRay cranial: synthesis of cranial CT imaging from biplanar radiographs using a generative adversarial network. Eur Radiol. 2026. PMID: 41537782. doi:10.1007/s00330-025-12253-1
  2. 全文:PMC13212724(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13212724/

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。