深度学习去噪改善脑锥形束CT图像质量的多中心回顾性研究解读
回顾性分析20例非增强脑CBCT,在标准圆形和双轴轨迹图像上比较无去噪与三种强度深度学习去噪。高强度去噪显著改善噪声、SNR、CNR、伪影指数及多数主观评分,但主观伪影严重度无差异。结果支持在介入手术室内进一步评估深度学习增强的CBCT去噪用于脑部评估。
要点
- 高强度去噪可显著降低脑CBCT噪声并提高灰白质CNR,有助于改善急性卒中评估中的组织分辨。
- 薄层图像灰白质CNR从1.08升至2.31,提示去噪对显示灰白质边界更有帮助。
- 后颅窝主观评分仍较低,阅片时对后颅窝病变判读仍需谨慎。
核心结论
- 高强度深度学习去噪较标准重建显著改善脑CBCT客观与主观图像质量,但主观伪影严重度无统计学差异。
- 结果支持进一步评估深度学习增强的CBCT去噪用于介入手术室内脑部成像。
研究设计与样本
- 回顾性两中心图像质量研究,共20例非增强脑CBCT,两家中心各随机抽取10例。
- 采用Philips Allura血管机,标准圆形轨迹与双轴轨迹各10例,去除未添加去噪、低、中、高三种去噪强度。
- 客观指标用标准ROI测量,主观质量由6名经验放射医师按5分Likert量表独立盲评。
- 配对t检验与Wilcoxon配对符号秩检验,Bonferroni校正,高去噪与其他三种条件比较。
- 阅片者一致性用Gwet AC2评估,置信区间采用20,000次BCa bootstrap重采样。
关键影像表现/征象
- 高强度去噪图像灰白质分界更清晰,相比之下标准重建图像噪声更大。
- 后颅窝脑实质主观评分仅2–3分,为图像解读中的相对薄弱区域。
诊断标准与关键数值
- 高强度去噪使薄层灰白质CNR从1.08(SD 0.20)升至2.31(SD 0.39)。
- 高强度去噪使薄层颅盖下伪影指数从9.46(SD 2.11)降至6.73(SD 2.05)。
- 高强度去噪使薄层后颅窝伪影指数从12.41(SD 2.43)降至7.21(SD 2.03)。
- 高强度去噪与标准重建相比,所有客观指标均p<.001,两种层厚均如此。
- 高强度去噪在薄层图中噪声、纹理、锐度、脑实质、脑脊液间隙、前循环缺血及脑出血判读信心的主观评分均显著提高。
临床应用与阅片要点
- 高强度去噪可用于改善介入室内脑CBCT的灰白质对比度和总体清晰度。
- 薄层去噪图像主观改善更明显,适合观察细小结构或早期缺血改变。
- 后颅窝即使经高强度去噪评分仍低,后颅窝病变判读建议结合其他序列或图像。
局限性
- 样本量小(n=20),无正式样本量计算,且女性占比较高。
- 单一随机阅读顺序未强制分离同一检查的不同处理版本,可能存在记忆效应。
- 仅评估一种去噪算法,未与其他商用或开源去噪方法比较。
- 质量与信心评分不能直接代表缺血或出血的诊断准确性。
全文中译11 节 · 点击展开
引言
锥形束CT(CBCT)在介入神经放射学中被广泛用于获取脑部的类CT图像 [1]。CBCT可作为常规平扫CT的替代方案,以加快卒中治疗流程,但其历来较差的图像质量限制了其应用 [2–4]。近期进展表明,最新一代CBCT能够在介入手术室内直接实现可靠的卒中评估 [5–7]。通过采用非圆形束轨迹扫描脑部来改变CBCT图像采集方式,可减少锥形束伪影和骨伪影,从而进一步提高诊断信心 [8, 9]。由于图像采集通常需要数秒钟,增加先进的后处理以校正可能的运动伪影可进一步提高CBCT成像的稳健性 [10]。
与传统的滤波反投影相比,迭代模型重建已知可在脑CT中降低噪声并提高对比噪声比 [11]。近年来,利用基于深度学习(DL)方法的图像重建引起了广泛关注,与迭代重建方法相比,其在平扫脑CT以及身体其他部位的图像质量方面显示出固有优势 [12–14]。在通常采用Feldkamp-Davis-Kress重建的CBCT中应用基于DL的去噪,可产生质量更优、诊断信心更高的图像 [15]。本文所用的基于深度学习的算法基于深度神经网络算法,该算法以监督方式进行训练,在与模拟低剂量重建对比时,可重现常规剂量采集的噪声特征 [16]。在本研究中,我们评估标准脑CBCT重建在添加DL去噪算法后,在客观和主观图像质量方面是否获益,同时分别使用标准圆形图像采集技术和具有运动伪影校正功能的最先进非圆形采集技术。
材料与方法
参与者
这项回顾性双中心图像质量研究纳入了20例匿名平扫脑CBCT检查。从每个符合条件的中心数据集中随机抽样选取10例检查(卡罗林斯卡大学医院,n = 29;圣迈克尔医院,n = 56)。每例检查生成8个图像集:两种层面格式下的四种处理条件(标准重建、低级别、中级别和高级别DL去噪)。卡罗林斯卡的图像在获得书面知情同意后采集,并经瑞典伦理审查局批准(批准号:2020-04467)。将图像材料匿名化用于本研究已获得同一机构批准,批准号:2023-06021-02。卡罗林斯卡数据集包含来自原始研究的10组随机平扫脑扫描,该原始研究前瞻性纳入了年龄≥50岁的连续卒中患者 [7]。圣迈克尔医院的图像在获得Unity Health研究伦理委员会的科研伦理委员会批准(REB #26-017)后采集,包括回顾性收集的年龄≥50岁、接受神经介入手术的卒中患者的图像。本回顾性多中心研究未进行正式的样本量计算。
成像方案与后处理
使用Allura Xper FD20/15血管造影系统(Philips Healthcare),所有标准环形采集均在卡罗林斯卡大学医院(瑞典斯德哥尔摩)完成,而所有带运动伪影校正的双轴采集均在圣迈克尔医院(加拿大多伦多)完成[8]。基线重建(未应用基于DL的去噪)是最先进的SmartCT SoftTissue锥形束CT重建(SmartCT,Philips Healthcare)。辐射剂量具有可比性(扫描详情见补充表1)。
作为额外的后处理步骤,对所有扫描在图像域应用了基于DL的去噪算法。与未应用基于DL去噪的默认重建相比,使用三种不同强度(最小、中等和最高)对图像进行去噪(去噪强度的详细信息见补充信息)。本研究使用的基于DL的去噪解决方案是供应商提供的算法(Philips Healthcare)。神经网络训练以监督方式进行,将正常剂量常规重建与模拟低剂量扫描进行比较,产生精确匹配的训练对。噪声模拟主要考虑低剂量X射线采集的量子噪声,其执行方式与[17]相似。网络被配置为预测每个训练样本中的残差噪声(残差学习)。训练完成后,最终去噪水平/强度可通过残差混合机制进行控制。有关DL算法的更多信息见补充信息。本研究包含的所有CBCT图像数据均未用于模型训练或任何其他形式的模型微调。
客观图像分析
客观图像质量使用轴位切片上的圆形ROI进行评估,与既往脑CT和CBCT研究一致[7, 18, 19]。灰质和白质的噪声、SNR和CNR使用位于基底节水平的皮质和近皮质白质区域以及丘脑和内囊后肢的25 mm² ROI获得。为评估图像伪影,在基底节水平的颅骨附近放置一个25 mm² ROI(“颅骨下”),并在后颅窝岩骨间区域放置一个200 mm² ROI。噪声、SNR、CNR和伪影指数的计算方法详见补充信息。对于伪影指数,较低值表示指定区域内图像伪影(如射束硬化)程度较低。
主观图像分析
图像以薄层连续切片(0.66 mm)或常规诊断图像层块(5 mm厚连续切片,平均强度投影)以轴位和矢状位方向呈现在1 × 2布局中。六位阅片者,均分于卡罗林斯卡大学医院和圣迈克尔医院(3位介入放射科医师和3位诊断放射科医师(F.S.、J.K.、S.M.、I.A.A.、K.J.和V.G.),具有至少7年卒中影像临床经验),在计算机生成的随机化和盲法单一序列(20次扫描、4个噪声水平、2种层厚)中独立评估了160个匿名图像集,无任何临床信息。同一检查的不同版本之间未设置洗脱间隔。窗宽和窗位预设为100/25,但可由阅片者自行调整。
使用1至5分的Likert量表,要求读者对噪声水平的总体印象(高到低)、图像纹理(不理想到优秀)和图像锐利度(模糊到优秀)进行评分。还要求他们对五个部位的脑实质、四个含脑脊液(CSF)间隙的显示、感知的伪影严重程度及影响,以及评估前循环缺血或脑实质内出血的信心进行评分。所有类别中5分为最有利,1分为最不利。完整问卷及评分锚点见补充信息。
统计分析
连续客观指标以均值(SD)汇总,并使用双侧配对t检验在配对处理条件之间进行比较。有序读者评分及配对的评分差异以中位数(IQR)汇总,并使用双侧Wilcoxon配对符号秩检验进行比较。对于每个结局和层厚格式,预先指定的配对对比将高降噪设置与每种其他重建条件进行比较:无额外降噪的标准重建、最低降噪和中等降噪。在每个结局和层厚格式内的三个对比中应用了Bonferroni校正。报告的p值经Bonferroni校正,校正后p < .05被认为具有统计学显著性。没有缺失的客观测量值或读者评分,也未进行填补。
六位读者之间的一致性分别针对薄层和厚层格式,使用多评价者Gwet AC2进行评估,对四种重建条件下的原始1–5评分应用有序权重[20]。各中心的分析为探索性和描述性的;未进行中心×降噪交互作用检验。对于在多个解剖位置评估的结局,将原始的位置级评分合并。95%置信区间通过按检查聚类的20,000次偏差校正和加速的自举重抽样获得。统计分析在RStudio(v2024.09.1 + 394 Posit Software PBC,波士顿,马萨诸塞州,美国,及R v4.4.2,The R Foundation for Statistical Computing)中进行。
结果
在卡罗林斯卡大学医院,平均年龄为74岁(SD 9),10名参与者中有6名(60%)为女性;在圣迈克尔医院,平均年龄为74岁(SD 13),10名中有8名(80%)为女性。检查在神经血管介入术前即刻或术后24小时内采集。表1总结了人口统计学和临床特征;图1显示了检查选择、图像集生成、随机化和盲法评审。所有检查均纳入分析;取样后无一被排除。
客观图像质量
客观指标随去噪强度的增加而单调变化(补充表2)。与原始标准重建相比,高强度去噪在两种层厚格式中均改善了所有客观指标(所有校正后p<.001;表2)。在薄层中,灰白质对比噪声比从1.08(SD 0.20)增至2.31(SD 0.39),颅骨下伪影指数从9.46(SD 2.11)降至6.73(SD 2.05),后颅窝伪影指数从12.41(SD 2.43)降至7.21(SD 2.03)。高强度去噪与标准重建、最小强度及中等强度去噪的比较在所有客观指标和层厚格式中均具有显著性(所有Bonferroni校正后p<.001;补充表2)。图2和图3显示了ROI放置位置及代表性图像。
主观图像质量
对于薄层,高强度去噪在每个类别中均具有最高的中位评分(图4)。中位评分通常为3–4分,而幕下实质评分为2–3分。各处理条件下中位感知伪影严重程度评分相似。
相对于无额外去噪的标准重建,高强度去噪的薄层配对中位评分改善为:感知噪声水平1.00,噪声纹理0.83,锐利度0.67,整体脑实质0.57,脑脊液间隙0.33,评估前循环缺血的信心0.50,评估脑实质内出血的信心0.17(所有校正后p<=0.003)。感知伪影严重程度无差异(中位差异0.00,校正后p>.99)。薄层分布见图5,厚层分布见补充图1;所有三个高强度对比的精确校正后p值见补充表3。
有序加权Gwet AC2系数范围为:薄层中图像锐利度的0.622(95% CI,0.546–0.664)至幕下实质的0.802(95% CI,0.742–0.845),厚层中感知伪影严重程度的0.672(95% CI,0.641–0.699)至幕下实质的0.800(95% CI,0.744–0.845)(详见补充表4),代表总体上较为充分的评分者间一致性。
各中心特异性分布在方向上相似,见补充图2和3。部分中位评分差异在卡罗林斯卡大学医院数值上大于圣迈克尔医院。这些探索性观察未进行正式交互作用检验,因为中心与采集轨迹存在混杂。
讨论
这项回顾性多中心队列研究评估了基于深度学习的降噪算法相对于标准重建是否能改善脑CBCT图像的客观和主观图像质量。高级别降噪改善了所有预设的客观图像质量指标和大多数主观图像质量评分。在两个中心特定数据集中观察到相似的方向性结果,但中心间差异未经正式检验。
与已发表的脑CT研究进行描述性比较,高级别降噪厚层CBCT中的灰质和白质噪声略低于迭代或混合迭代重建所报告的值[7, 19]。灰白质对比噪声比在数值上高于那些报告中的值,且与DL重建所报告的值相似[12],而薄层对比噪声比处于厚层迭代或混合迭代CT所报告的范围之内[7, 19]。这些是涉及不同人群、采集方式、重建方法、层厚和感兴趣区方法的间接跨研究比较,因此不能确立CBCT与传统CT之间的等效性或优越性。尽管如此,灰白质对比噪声比的改善具有临床意义,因为组织区分在急性卒中评估中很重要。
客观伪影指数随降噪强度的增加而降低,而感知伪影严重程度评分的中位数未检测到统计学显著差异。已发表的传统CT值仅提供描述性跨研究背景[7, 12, 19];由于本研究未纳入直接的传统CT对照,因此无法确定CBCT与传统CT之间伪影严重程度的差异。
高强度去噪获得的中位评分更高,通常为3–4分,表明感知可解释性有所改善,而幕下评分为2–3分,提示后颅窝评估仍是一项重要的遗留挑战。虽然图像质量和阅片者信心评分不能直接衡量病灶检出准确性,但它们刻画了可解释性的临床相关维度,是在开展诊断准确性检验之前评价重建方法的重要一步。既往一项研究报告了CBCT对缺血和出血的诊断效能[7]。尽管本研究未直接检验这些准确性估计值,但它通过展示多项客观和主观图像质量指标的改善对这些证据进行了补充,并为在介入手术室中对DL去噪增强CBCT开展具有充分统计学效力的诊断准确性研究提供了有力依据。
图像质量指标通常随着去噪强度的增加而改善,这与既往关于CT中去噪相关改善的报告一致[11–13]。尽管未在不同层厚之间对去噪效果进行正式比较,但薄层图像较厚层图像的图像质量改善似乎更为明显;其临床意义(包括对细小或隐匿性表现的影响)以及最佳重建层厚仍不确定[11, 13]。已有其他基于DL的方法和经典去噪方法的报道[21, 22],包括在CBCT应用中的报道[23]。严格的直接比较需要这些方法在共同数据上使用适合任务的实现方式和设置进行评估[21],这超出了本研究的范围。因此,本研究结果仅针对所评估的算法和设置,并不证明其优于其他去噪方法。
本研究的主要优势包括使用了来自两个国际中心的六名经验丰富的阅片者,他们对使用常规环形轨迹和双轴轨迹采集的CBCT数据集进行了盲法评估。局限性包括样本量较小(n = 20)、缺乏正式的样本量计算以及女性占比较高。单一的随机阅片顺序未强制分离同一检查的不同版本,可能产生回忆效应。本研究仅评估了一种算法相对于标准重建的表现,未纳入其他商业或开源去噪方法。最后,图像质量评分和诊断信心评分不能确立对缺血或出血的诊断准确性。
总之,在一项小型回顾性多中心队列研究中,与无额外去噪的标准重建相比,使用基于深度学习的去噪算法进行高强度处理改善了脑CBCT的客观和主观图像质量。未检测到感知伪影严重程度的差异。这些发现支持进一步评估深度学习增强锥形束CT去噪在介入手术室中用于脑部评估的应用。
补充信息
以下是电子补充材料的链接。
补充材料1
引用
- Ståhl, Cancelliere, Kolloch, et al. Brain cone-beam CT image quality improvement using a deep-learning-based denoising method: a multicenter retrospective study. Neuroradiology. 2026. PMID: 42635759. doi:10.1007/s00234-026-04148-9
- 全文:PMC13680336(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13680336/
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。