文献速递乳腺乳腺X线

对比增强乳腺摄影中的伪影减少

Artifact reduction in contrast-enhanced mammography.
PubMed 文献 · Insights Imaging · 2022-05-13

该研究基于134例高危女性对比增强乳腺摄影(CEM)的回顾性多读者配对研究,比较标准双能减影(STD)与一种新算法(NEW)对伪影的消除效果。NEW算法完全消除84.5%的乳腺内乳腺伪影、84.2%的波纹伪影和56.9%的皮肤褶皱强化伪影,且病灶对比增强可见度与STD算法相同。

要点

  • 标准DES算法下乳腺内乳腺伪影见于78.3%图像,波纹和皮肤褶皱伪影各约54%。
  • NEW算法完全消除84.5%乳腺内乳腺、84.2%波纹、56.9%皮肤褶皱强化伪影。
  • NEW算法在消除伪影的同时保持病灶对比增强可见度不变。

核心结论

  • 新的双能减影算法能有效减少或消除CEM相关伪影,同时保留病灶对比增强。

研究设计与样本

  • 回顾性多读者配对研究,纳入前瞻性临床研究(CE IOV #2017/92)中前134例高危女性的134次CEM检查,共526个视图。
  • 使用GE Senographe Pristina设备,注射1.5 mL/kg碘对比剂(GE Omnipaque 350),流速3 mL/s,注射后2分钟开始采集CC和MLO双视图双侧CEM。
  • 四名乳腺影像经验超过10年的读者独立评估STD与NEW两种减影算法图像,采用四级有序量表(1=无,2=弱,3=中,4=强)评估伪影强度和对比增强可见度。

关键影像表现/征象

  • 乳腺内乳腺伪影在CC视图更常见(CC 55.1% vs MLO 44.9%,P=0.0034)。
  • 波纹伪影和皮肤褶皱强化伪影均在MLO视图更常见(波纹:CC 40.0% vs MLO 60.0%,P<0.0001;皮肤褶皱:CC 39.9% vs MLO 60.1%,P<0.0001)。
  • NEW算法使无乳腺内乳腺伪影的图像比例从STD的27.1%升至87.8%(P<0.0001)。
  • NEW算法使无波纹伪影的图像比例从STD的45.8%升至91.4%(P<0.0001)。

诊断标准与关键数值

  • 伪影强度采用四级有序量表:1=无/不存在,2=弱,3=中,4=强。
  • 图像评分以多数读者评分的统计众数作为该图像的代表评分。
  • NEW算法对乳腺内乳腺伪影完全消除84.5%、减少12.1%、未减少3.4%。
  • NEW算法对波纹伪影完全消除84.2%、减少13.0%、未减少2.8%;对皮肤褶皱强化伪影完全消除56.9%、减少28.8%、未减少14.2%。
  • 97.8%的病例中多数读者认为NEW算法图像优于或远优于STD算法,2.8%的病例(4/134)评判为两者相等。

临床应用与阅片要点

  • 阅片时需识别标准DES CEM图像中常见的乳腺内乳腺伪影(C形晕环)、波纹伪影(黑白交替细线)和皮肤褶皱强化。
  • NEW算法可显著减少上述伪影并提高无伪影图像比例,尤其有助于减少伪影对微小病灶或弱强化病灶检出的干扰。
  • 作者指出,在PACS中存储未处理的DICOM图像对于新算法开发或改进后的图像再处理至关重要。

局限性

  • 本研究为并排比较,使用定性量表,读者间一致性有限(Fleiss kappa系数显示伪影评估为一般一致,对比增强可见度评估为中等一致)。
  • 样本量相对较小,且所有CEM检查均在单中心使用单一设备完成。
  • 未来研究应考虑BPE分类是否受CEM相关伪影存在的影响,并更好地研究每种伪影类型之间的关系。
全文中译6 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:Insights Imaging. 2022 May 13;13:90. doi: 10.1186/s13244-022-01211-w

要点

大多数通过STD算法获得的DES图像会出现“乳中乳”、波纹和皮肤褶皱伪影。

NEW DES算法消除/减少了“乳中乳”伪影(84.5%/12.1%)。

NEW DES算法消除/减少了波纹伪影(84.2%/13.0%)。

NEW DES算法消除/减少了皮肤褶皱伪影(56.9%/28.8%)。

NEW DES算法保留了病灶的对比剂摄取。

背景

对比增强乳腺X线摄影(CEM)是一种双能成像技术,在每个乳腺X线摄影体位注射碘对比剂数分钟后采集一对图像。低能(LE)图像已被证明等同于标准乳腺X线摄影,因为它是在光子能量低于碘的33.2 keV K吸收边的乳腺X线光谱下获得的,因此对比剂在图像中不明显。高能图像(HE)的采集通过将光子能量提高至碘的33.2 keV K吸收边以上来实现,该图像与LE图像重组以获得描绘对比剂摄取的“双能减影”(DES)图像。HE图像为非诊断性图像[1, 2]。对比增强乳腺X线摄影目前被用作解决乳腺X线摄影不确定发现的问题解决工具、乳腺癌分期、有症状患者的检查评估;此外,CEM已被证明可作为乳腺MRI的替代方案用于新辅助治疗反应监测、致密乳腺女性的筛查以及乳腺癌风险增加女性的筛查[1, 3–5]。

与任何其他成像技术一样,CEM受到一些伪影的影响,这些伪影已在少数图谱类文章中有所描述[6, 7]。在最近的一篇论文中,Neppalli等人报道了一些DES CEM图像伪影与制造商相关;换言之,设备之间的技术差异和减影算法的差异可导致DES CEM图像中出现制造商特异性的伪影[8]。

最常见的CEM相关伪影之一是“乳中乳”伪影(也有报道称为“晕环”或“边缘”伪影),由乳腺厚度不均匀和散射线引起,在减影图像中表现为乳腺外周区域内C形“晕环”样 apparent enhancement。CEM成像中另一种常见伪影是“波纹”伪影(也有报道称为“运动”或“配准不良”伪影),由LE图像和HE图像之间的配准不良引起,可能归因于患者轻微运动,在减影图像中表现为 faint alternating black and white lines。在Yagil等人的一项回顾性分析中,结论是尽管伪影发生率很高,但没有任何伪影干扰图像判读[9]。

然而,在医学影像中,图像质量应针对临床任务进行优化[10, 11],伪影的存在是否可能影响CEM判读取决于临床任务以及进行CEM检查的目的。当CEM用作已知病灶的进一步检查影像时,可以理解上述伪影不会妨碍图像判读;相反,如果CEM前瞻性地用作特定目标人群的筛查工具,伪影的存在可能会限制小病灶的可检测性。因此,制造商正在提出伪影减少算法,以减少伪影对图像判读的影响,同时改善CEM图像质量[12]。

在本研究中,我们评估了一种新算法的有效性,该算法旨在减少双能减影CEM图像中的伪影,同时保留可能病灶的对比增强。

材料与方法

研究人群由134例连续CEM检查组成,这些检查来自一项前瞻性临床研究(CE IOV #2017/92)中入组的前134名女性,该研究旨在比较CEM与乳腺MRI在乳腺癌高风险女性筛查中的临床性能。风险评估采用Tyrer-Cuzick模型进行[13, 14]。对风险模型得出的终生风险分别应用17%和30%的阈值来识别中危和高危女性[15]。该研究经机构伦理委员会批准。所有入组临床研究的女性均签署了知情同意书。双体位(头尾位——CC,及内外斜位——MLO)双侧CEM检查由GE Senographe Pristina设备(GE Healthcare,芝加哥,伊利诺伊州)完成,在自动注射器(3 mL/s)注射1.5 mL/kg碘对比剂(GE Omnipaque 350)两分钟后开始。CEM算法自动对未处理的LE图像应用标准后处理以进行判读,同时通过重新组合每个乳腺摄影体位的未处理LE和HE图像来生成增强可能对比剂摄取的DES图像。为本研究目的,LE和HE图像被处理两次,第一次获得标准(STD)DES图像,第二次通过新算法(NEW)获得DES图像,预期可降低伪影强度。两种算法对LE图像的处理保持不变,未纳入本研究考虑。

为评估新DES算法的有效性——该算法预期可减少乳腺内伪影和波纹伪影,并减弱可能皮肤褶皱的可见性,同时保留因对比剂摄取所致的增强——四名经验丰富的判读者(均在乳腺影像领域有超过10年经验)被要求对每个体位和每种算法评估乳腺内伪影和波纹伪影的强度,以及可能皮肤褶皱增强和/或可能对比剂摄取的强度,采用四分类有序量表:1 = 无/不存在,2 = 弱,3 = 中等,4 = 强。

每位视图(RCC、LCC、RMLO、LMLO)的STD和NEW减影图像在阅片工作站(GE SenoIris)的两台5 MP显示器上并排显示,每位阅片者独立进行伪影评估。在完成每个视图的评估后,将所有经两种算法处理的视图并排显示,并要求阅片者使用Likert量表对两种算法进行比较:− 2 = NEW比STD差得多,− 1 = NEW比STD差,3 = NEW与STD相同,+ 1 = NEW优于STD,+ 2 = NEW远优于STD。

通过计算每个数据集中每幅图像各个评分分数的统计众数获得的大多数阅片者评分,用于评估NEW算法与STD算法相比消除或减少每种类型伪影的能力。计算了STD算法下伪影的发生概率、NEW算法完全去除或减少每种类型伪影的能力,以及NEW算法未能减少伪影的图像比例。

此外,对于所考虑的三种伪影类型中的每一种以及对比剂摄取可见度,使用卡方检验比较了两种算法之间大多数阅片者评为同一类别的图像比例。P值低于0.05被认为具有统计学意义。

四名阅片者之间的一致性水平通过计算Fleiss‘ kappa确定,该值基于四名阅片者对两种算法处理的图像中每种伪影类型的强度及对比剂摄取可见度所给出的评分计算得出。

最后,对大多数阅片者对两种算法的总体偏好进行了描述性分析。统计分析使用R 4.1.1版本和OriginPro 2020b进行。

结果

研究人群包括134名乳腺癌风险增高的女性,其特征见表1。

评估的视图总数为526个,来自129次双侧和5次单侧CEM检查,在CC和MLO视图中均匀分布。平均年龄为49.9 ± 9.2岁,范围为35至73岁。绝经前女性占50.0%(67/134),其余50.0%为围绝经期(21/134 = 15.7%)或绝经后(46/134 = 34.3%)。纳入研究的女性大多为致密型乳腺:49/134(36.6%)分类为BIRADS c,53/134(39.6%)为BIRADS d,而13/134(9.7%)分类为BIRADS a,19例(14.2%)为BIRADS b。她们主要为高危女性(72.4% = 97/134),其余27.6%(37/134)为中危。

如前所述,大多数阅片者的图像评分用于比较两种算法之间的伪影频率。STD算法下受伪影影响的图像数量和比例,以及NEW算法完全去除或至少减轻伪影强度的图像数量和比例(基于大多数阅片者的评分获得),按每种伪影类型列于表2中。

乳腺叠乳腺伪影出现在78.3%(412/526)的DES CEM图像中,且在CC位中更为常见(CC=55.1% vs. MLO=44.9%,P=0.0034);波纹伪影和皮肤皱褶强化分别出现在54.2%和54.8%的图像中,且均以MLO位更为常见(波纹伪影:CC=40.0%,MLO=60.0%,P<0.0001;皮肤皱褶强化伪影:CC=39.9%,MLO=60.1%,P<0.0001)。NEW算法成功消除了84.5%的乳腺叠乳腺伪影并减轻了12.1%;波纹伪影的结果分别为84.2%和13.0%,皮肤皱褶强化伪影为56.9%和28.8%。NEW算法未能减轻伪影的图像比例非常小(乳腺叠乳腺伪影为3.4%,波纹伪影为2.8%,皮肤皱褶强化伪影为14.2%),且几乎所有这些病例的伪影强度均评为“弱”。

聚焦于最常见的乳腺叠乳腺伪影,图1显示了两种减影算法获得的DES CEM图像在多数阅片者根据伪影强度评定的四个类别中各占的比例。

NEW算法大幅消除了乳腺叠乳腺伪影,显著增加了被归类为“无伪影”的图像比例(“无”评分:27.1%(STD)vs. 87.8%(NEW),P<0.0001)。STD算法显示“弱”、“中”或“强”乳腺叠乳腺伪影的图像比例均被NEW算法显著降低,经NEW算法处理后仍显示“中”或“强”伪影的图像数量非常接近于零。

图2a展示了一例被多数阅片者评为“强”的乳腺叠乳腺伪影,该例在所有四个DES CEM视图中均由STD减影算法获得;在图2b中,该伪影被NEW算法“清除”。

图3显示了当DES图像分别用STD和NEW算法处理时,多数阅片者评定的四个类别中波纹伪影的比例及相关检验结果。

尽管用STD算法获得的DES CEM图像中超过半数存在波纹伪影,但NEW算法几乎完全消除了此类伪影(“无”评分:45.8%(STD)vs. 91.4%(NEW),P<0.0001)。

图4展示了RMLO视图下部的波纹伪影示例,在STD算法下可通过“线状条纹”识别(完整视图见图4a,放大细节见图4c),该伪影被NEW算法完全去除(完整视图见图4b,放大细节见图4d)。

尽管皮肤皱褶的存在更应归类为因乳腺摆位不当导致的图像“缺陷”而非真正的伪影,但STD CEM双能减影会增强可能存在的皮肤皱褶的可见性;NEW算法同样减轻了皮肤皱褶强化,如图5所示。

多数阅片者在54.8%的经STD算法处理的DES CEM图像中检测到皮肤皱褶强化;这种强化被NEW算法系统性地减轻或消除。图6展示了皮肤皱褶强化减轻的示例。

NEW算法保留与病灶存在相关的可能的对比剂摄取可见性的能力,以及其减轻或去除DES CEM伪影的有效性,总结于图7。

无对比剂摄取的图像比例较高;这与该研究人群聚焦于评估CEM在乳腺癌高危女性监测中的性能相一致。然而,对于显示病灶对比增强的图像,未发现对比剂摄取可见性分类方面存在显著差异。

图8显示了两个DES CEM病例示例,其对比剂摄取与两个乳腺病灶的存在相关,其中即使经NEW算法抑制伪影后,病灶对比增强仍得以保留。

表3显示了每种伪影类型下,读者间在STD算法伪影出现方面的一致性,以及NEW算法完全去除和减少伪影的百分比。Fleiss' kappa系数由四位读者对两个数据集中每张图像的评分得出(同一图像分别经STD和NEW算法处理的总体一致性指标也已报告)。

伪影评估的总体一致性为一般(0.20至0.40之间),对比剂摄取可见性评估为中等(0.40至0.60之间)。

最后,考虑两种算法的总体逐病例比较,多数读者基于Likert量表的偏好如图9所示。

在97.8%的病例中,多数读者认为经NEW算法处理的DES CEM图像优于或远优于经STD算法处理的图像。其余2.8%的病例(总计134例中的4例)被判定为两种算法“相同”。

表1 研究人群中女性的特征:数量、年龄、绝经状态、乳腺密度和风险类别 查看原表 ↗
表2 STD算法下受伪影影响的图像数量和比例,NEW算法完全去除或至少降低伪影强度的图像数量和比例(基于多数读者的评分获得),以及NEW算法未能校正伪影的图像数量和比例 查看原表 ↗
图1 a 镜像条形图显示,当图像分别经STD(蓝色条)和NEW(红色条)算法获得时,多数读者将乳腺内乳腺伪影强度评为“无”、“弱”、“中”或“强”的DES CEM图像百分比;b 各乳腺内乳腺伪影类别下STD与NEW算法相关比例的比较结果及相应p值 查看原图 ↗
图2 绝经后女性,56岁,乳腺癌高风险,乳腺大且为脂肪型。a 经STD算法获得的DES CEM图像,显示所有四个体位均存在乳腺内乳腺伪影;b 经NEW算法获得的DES CEM图像,伪影被完全去除 查看原图 ↗
图3 a 镜像条形图显示,当图像分别经STD(蓝色条)和NEW(红色条)算法获得时,多数读者将波纹伪影强度评为“无”、“弱”、“中”或“强”的DES CEM图像百分比;b 各波纹伪影类别下STD与NEW算法相关比例的比较结果及相应p值 查看原图 ↗
图4 绝经前女性,46岁,乳腺癌高风险,乳房大且为脂肪型。a 采用STD算法获得的RMLO DES CEM视图,显示图像下部的波纹伪影;b 采用NEW算法获得的RMLO CEM视图,伪影被完全去除;c 采用STD算法的RMLO CEM视图下部波纹伪影的细节;d 经NEW算法去除后RMLO CEM视图下部的同一细节 查看原图 ↗
图5 a 镜像条形图显示,当图像分别采用STD(蓝色条)和NEW(红色条)算法获得时,大多数读者将皮肤皱褶强化强度评分为“无”、“弱”、“中等”或“强”的DES CEM图像百分比;b STD与NEW算法在各皮肤皱褶强化伪影类别相关比例之间的比较结果及相应P值 查看原图 ↗
图6 绝经后女性,60岁,乳腺癌中等风险,乳房大且为脂肪型。a RCC LE-CEM视图显示靠近胸壁的大皮肤皱褶;b 采用STD算法获得的RCC DES CEM视图,显示皮肤皱褶强化伪影(除乳房内乳房伪影外);c 采用NEW算法获得的RCC DES CEM视图,皮肤皱褶强化明显减轻 查看原图 ↗
图7 a 镜像条形图显示,当图像分别采用STD(蓝色条)和NEW(红色条)算法获得时,大多数读者将对比剂摄取可见度强度评分为“无”、“弱”、“中等”或“强”的DES CEM图像百分比;b STD与NEW算法在各对比剂摄取可见度类别相关比例之间的比较结果及相应p值 查看原图 ↗
图8 a和b 绝经后女性,55岁,乳腺癌中等风险,乳房小且为不均匀致密型,内上象限可见与15 mm病灶对应的强烈对比剂摄取,该病灶经证实为高级别浸润性小叶癌:a 采用STD算法获得的RCC和RMLO DES CEM视图,显示明显的乳房内乳房伪影和强烈对比剂摄取;b 采用NEW算法获得的RCC和RMLO DES CEM视图,无伪影且对比剂摄取相同。c和d 绝经后女性,62岁,乳腺癌中等风险,乳房小且为不均匀致密型,显示乳头后方与7 mm圆形病灶对应的微小对比剂摄取:c 采用STD算法获得的LCC和LMLO DES CEM视图,乳房内乳房伪影与病灶部分重叠;d 采用NEW算法获得的LCC和LMLO DES CEM视图,伪影被消除,同时病灶更易检出 查看原图 ↗
表3 读者间一致性:采用STD和NEW算法处理的图像中,乳房内乳房、波纹和皮肤皱褶强化伪影强度以及对比剂摄取可见度评分的Fleiss kappa系数 查看原表 ↗
图9 大多数读者用于比较两种算法总体偏好的Likert评分。读者将经NEW双能减影算法处理的CEM图像质量评为“更好”或“好得多”者占97.8%,而其余2.8%的病例被判定为两种算法“相同” 查看原图 ↗

讨论

在本研究考虑的数据集中,当使用STD算法获得双能减影图像时,最常见的伪影是“乳中乳”,发生于78.3%的图像中,其次是“波纹”和皮肤褶皱增强伪影,发生频率相当(波纹:54.2%;皮肤褶皱增强:54.8%)。乳中乳伪影在CC位中更频繁发生(CC:55.1%,MLO:44.9%,P = 0.0034),而波纹和皮肤褶皱增强伪影均多见于MLO位(CC:40%。MLO:60%,P < 0.0001)。NEW双能减影算法成功完全消除了84.5%的乳中乳、84.2%的波纹和56.9%的皮肤褶皱增强伪影,同时额外减少了12.1%的乳中乳、13.0%的波纹和28.8%的皮肤褶皱增强伪影。仅少数百分比的乳中乳和波纹伪影未被NEW算法减少,主要见于STD处理时伪影被评为“弱”的图像;皮肤褶皱增强伪影在14.2%的病例中未被减少。重要的是,从STD算法转换为NEW算法时,可能病灶的对比剂摄取保持不变,表明NEW算法在减少伪影的同时保留了对比剂摄取。总体而言,NEW算法在减少或消除DES CEM伪影方面非常有效,且未降低对比剂摄取,这通过阅片者偏好性的Likert评分得到确认:使用NEW算法处理的134例中有131例被评为优于或远优于使用STD算法处理的病例。这表明NEW算法明显改善了DES CEM图像质量,提高了阅片者的信心。

在Yagil等人的一项回顾性分析中,作者报告乳中乳伪影见于98%的减影图像(包括头尾位,CC,和内外斜位,MLO),而波纹伪影见于32%的减影图像,主要为MLO位;然而, none of the artifacts interfered with image interpretation [9]。关于CEM相关伪影的少数论文多为图谱综述,描述不同的伪影类型,并“轻描淡写”地评估伪影的存在通常不影响图像解读 [6, 7]。然而,伪影在CEM图像解读中的潜在影响可能或多或少具有重要意义,取决于临床任务以及病灶类型和大小。例如,当CEM用作检测工具时,如在乳腺癌高风险女性的筛查中,伪影的存在可能干扰小病灶的可检测性。此外,如Kamal等人所报告,CEM发现的乳腺癌中30%为非肿块病变,且CEM中大多数恶性病变显示微弱对比剂摄取 [16]。这提示可能的伪影存在可能损害或至少降低这些微弱表现的可见性。

另一个可能受伪影存在影响的临床因素是背景实质强化(BPE)分类 [17],其正逐渐成为潜在风险因素 [18],有时用于诸如选择图像引导活检方式等决策。

一般来说,对新成像技术的临床评估是逐步进行的。一旦新成像技术相对于参考标准的临床有效性得到证实,在这种新成像技术越来越多地应用于临床实践的过程中,下一步就是在减少/消除伪影的同时优化图像质量。关于“推测无CEM伪影影响”的陈述高度主观,在没有支持性结果的情况下不足以用于临床应用。本研究表明,开发能够减少CEM相关伪影的双能减影算法是可能的。理想情况下,如果制造商能在新技术广泛用于临床实践之前就开始对其进行优化,那将是更理想的。然而,正如Neppalli等人所指出的,将未处理的DICOM图像存储到PACS中至关重要,以便在新算法开发或改进时能够进行图像再处理,正如本研究中所发生的情况[8]。

CEM制造商的图像质量优化工作与CEM用户按照Sardanelli等人在一篇批判性综述[19]中的建议,为标准化临床方案和图像解读术语所应做出的努力同等重要。

本研究存在局限性:这是一项使用定性量表进行的并排比较,读者间一致性有限(如Fleiss' kappa系数所示),样本量相对较小,且所有CEM乳腺摄影均在单一中心使用单一设备完成。

未来研究应考虑BPE分类是否会受到CEM相关伪影存在的影响,并更好地研究每种伪影类型与图像特征、乳腺特征及体位之间的关系。

结论

本研究所评估的新双能减影算法被证明能有效显著减少或消除CEM相关伪影,同时保留病灶对比增强。

引用

  1. Gennaro G, Baldan E, Bezzon E, et al. Artifact reduction in contrast-enhanced mammography. Insights Imaging. 2022. PMID: 35554734. doi:10.1186/s13244-022-01211-w
  2. 全文:PMC9098782(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9098782/

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。