文献速递胸部技术与安全CT

基于正位定位像与深度神经网络的全自动CT患者精准定位:双中心研究

Fully automated accurate patient positioning in computed tomography using anterior-posterior localizer images and a deep neural network: a dual-center study.
PubMed 文献 · Eur Radiol · 2023-01-27

该双中心研究利用5754例胸部CT的AP定位像训练深度学习模型生成3D轴位图像,自动检测体中线与机架等中心的距离以指导患者定位。模型在C1和C2的体中线误差分别为-0.75±7.73 mm和2.06±10.61 mm,显著低于技师手动定位的9.35±14.94 mm和13.98±14.5 mm。模型精度与3D视觉相机方法相当,且不受遮挡物影响,但性能在体型较大患者中下降。

要点

  • AP定位像经深度学习可自动预测体中线,误差显著低于技师手动摆位,可用于自动调整检查床高度。
  • 方法仅依赖CT定位像,无需额外3D相机,不受毯子、呼吸辅助装置等遮挡物影响。
  • 体型较大患者定位误差增大,模型对扫描仪品牌有依赖性,跨厂商需迁移学习。

关键影像表现/征象

  • 深度学习模型从2D AP定位像生成3D冠状图像,通过边界框提取体中线,负值表示检查床偏低、正值表示偏高。
  • 体中线检测误差BCAP在C1为-0.75±7.73 mm、C2为2.06±10.61 mm,绝对值分别为5.7±5.26 mm和8.26±6.96 mm。
  • 肺中线检测误差LCAP在C1为1.56±10.8 mm、C2为-0.27±16.29 mm。
  • 技师手动摆位体中线误差BCMP在C1为9.35±14.94 mm、C2为13.98±14.5 mm,绝对值平均分别为14 mm和16.08 mm。
  • 体型较大患者BCAP和LCAP误差显著增高(p value < 0.01);女性误差大于男性但无统计学差异(p value = 0.25)。

诊断标准与关键数值

  • 体中线自动定位误差定义为BCAP = BCDL − BCGTH(mm),手动摆位误差为BCMP = BCGTH − 机架等中心。
  • 肺中线自动定位误差定义为LCAP = LCDL − LCGTH,手动肺中线误差为LCMP = LCGTH − 机架等中心。
  • BCAP绝对值在C1为5.7±5.26 mm、C2为8.26±6.96 mm,均显著低于BCMP(p value < 0.01)。
  • LCAP在C1显著优于LCMP(p value < 0.01),在C2与LCMP无统计学差异(p value = 0.069)。
  • 全部5754例中体中线偏移超过10 mm者占60%,45例BCAP绝对值超过20 mm。

临床应用与阅片要点

  • 可利用AP定位像自动预测体中线并提示检查床高度调整,减少手动摆位偏差,尤其适用于无3D相机的科室。
  • 定位像与螺旋扫描呼吸相位匹配可减少因呼吸导致的体中线不一致,模型可利用同一呼吸相位的定位像。
  • 需注意体型较大患者误差增大,女性乳腺形态可能影响体中线计算,报告质控时应关注这些情况。
  • 模型为扫描仪特异性,跨厂商应用需重新训练或迁移学习,日常使用应限定在同一品牌设备。

局限性

  • 模型为扫描仪特异性,仅在同一厂商设备上训练和验证,跨厂商需迁移学习。
  • 体型较大患者定位误差显著增大,女性误差虽无统计学意义但数值偏高。
  • 研究为回顾性设计,排除截断伪影病例,未在前瞻性临床流程中验证自动调整检查床的效果。
全文中译10 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. 2023 Jan 27;33(5):3243–52. doi: 10.1007/s00330-023-09424-3

引言

计算机断层扫描(CT)是诊断多种病变的重要影像学手段。优化扫描参数、患者体位和扫描范围对于最大化诊断价值并最小化患者辐射风险至关重要。多项研究报道了临床环境中因扫描相关因素选择不当而导致的有争议的实践,如患者体位、扫描范围选择、照射参数和重建方法。显然,当采用自动方法(如管电流调制(TCM)和自动kVp选择)时,这些参数选择中的不精确性可能产生更大的负面影响[1]。

在最近一项研究中,Akintayo等[2]在评估了包含57,621次CT扫描的大型队列后,报道了Y轴(检查床高度)方向上患者偏心的高发生率(超过80%)。胸部CT扫描中报道的平均偏心误差为14.7 ± 17 mm。Sukupova等[3]证明了临床实践中偏心的高发生率(473例中470例),平均偏心为−43 mm。患者体中线与机架等中心之间的差异会导致额外剂量和图像质量下降。Li等[4]报道,在圆柱形水体模中,60 mm的偏心可导致高达30%的表面剂量增加。Furukawa等[5]评估了检查床高度对TCM系统行为的影响。他们表明,较高的检查床高度会导致前后位(AP)定位像放大,从而高估衰减并通过管电流升高增加辐射通量。

Euler等[6]使用半导体剂量计在5岁拟人模体上评估了−60 mm至+60 mm的检查床偏心对器官剂量的影响。他们报道胸部扫描范围内器官剂量变化高达28%。在其第一项研究中,Kaasalainen等[7]表明,由于患者偏心,在拟人模体中测量的器官剂量(如甲状腺和肺)变化超过100%。在其第二项研究中,Kaasalainen等[8]报道通过改变检查床高度,CTDIvol变化高达91%。多项研究尝试通过自动患者定位来克服偏心问题,主要采用额外的视觉相机进行3D成像。在一系列研究中,Booij等[9, 10]校准了固定在天花板上的3D相机以自动定位患者,并在254名成人和191名儿科患者上测试了其技术的性能。在排除成人病例中的离群值后,其方法的中位误差为5.4 mm。此外,在排除离群值后,他们在191名儿科患者上获得了4.8 mm的误差。Dane等[11]报道使用3D相机、AP定位像和人工干预的误差为6.8 ± 6.1 mm。

Gang等[12]对127例患者分别采用手动和自动定位进行了两次扫描。他们的结果显示,患者中心线误差为15.6 ± 8.3 mm,其中偏心校正改善了噪声和病灶信噪比(SNR)方面的图像质量,同时降低了辐射剂量。Saltybaeva等[13]使用3D相机将胸部CT图像的手动定位误差从19 mm降低至7 mm。安装在扫描室内的3D相机并非始终可用,且通常需要敏感/精确的校准程序。此外,便携式相机也容易产生大量误差[14]。此外,当患者身体上存在额外/附加物体时,例如毯子或呼吸辅助或跟踪装置[15],使用相机会导致相当大的偏心误差,远大于手动设置。这将显著限制该方法在常规临床实践中的应用。

深度学习(DL)在自动化多项医学图像分析任务方面已展现出优异性能,包括分割[16–20]、计算建模[21, 22]、辐射剂量测定[23, 24]、扫描范围选择[25]、低剂量成像[26–28]和协议优化[29]。使用DL来自动化CT扫描中的患者定位的研究非常稀少,迄今仅有少数研究[30]。在此背景下,我们探索了CT检查中自动患者特异性定位的可能性。本研究的主要目的是自动化检测患者身体中心线距机架等中心的距离,旨在仅以AP定位像为输入,通过深度学习算法实现胸部CT扫描中的自动患者定位。

材料与方法

研究人群

我们收集了来自两个影像中心的7295例胸部CT图像,设备分别为Siemens Somatom Duo(C1,3867例,男2066例,女1801例)和Phillips Brilliance 16(C2,3428例,男1728例,女1700例)。患者因胸部区域不同病变的评估而被转诊,需行胸部CT成像,排除心脏和脊柱适应症。本研究经当地伦理委员会批准,由于研究的回顾性性质,免除书面知情同意。以DICOM格式收集2D AP定位像和3D轴位图像。我们从C1和C2数据库中分别排除了624例和917例。主要排除标准为截断伪影,因为从截断图像中无法指示前、后以及因此的AP中心线边界。剩余5754例(C1中心3243例,C2中心2511例)纳入研究方案(图1)。

图1 本研究方案实施的总体流程图及所采用U-NET深度神经网络架构 查看原图 ↗

单层重建

图像预处理

使用存储在DICOM头文件中的位置标签将定位像和轴位3D图像裁剪至相同尺寸比例。定位像归一化至[0–1]强度范围,并调整大小为144(横向)× 64(Z方向)像素的矩阵。轴位图像重新定向至冠状面方向,然后调整大小为184(AP方向)× 144(横向)× 64(Z方向)体素的矩阵,随后进行强度归一化至[0–1]范围。

神经网络架构与训练

每个中心的数据被随机分为训练集(80%)和测试集(20%)。需要注意的是,受先前一项研究的启发,该研究表明定位像图像的定位像素值和几何特征具有扫描仪特异性[25],我们使用来自每台扫描仪的数据训练了两个独立的模型。使用基于Matlab的深度学习模块,采用改进的U-NET深度神经网络,包含五个编码器和五个解码器层(图1)。每个编码器和解码器包含批量归一化和ReLU,步长为2×2。输入为预处理后的AP二维定位像,输出为预处理后的三维冠状面图像。训练在配备NVIDIA 2080 TI GPU、11 GB内存的PC上进行。训练持续50个epoch,批量大小为1,使用Adam优化器。我们未使用任何数据增强策略。

中心线测量

来自外部组的所有真实值图像和深度学习重建图像均重新定向至轴位方向。通过应用基于强度的阈值分割和区域形状评估自动提取体轮廓,同时去除扫描床和视野内的其他物体,如呼吸辅助工具、患者衣物和毯子。围绕身体创建边界框(B.Box),其中根据B.Box信息计算身体前界、身体后界和身体前后(AP)中心线。将从深度学习重建图像中提取的身体中心线(BCDL)与从轴位真实值图像中提取的身体中心线(BCGTH)进行比较。基于深度学习的身体中心自动定位误差(BCAP)定义为BCAP = BCDL − BCGTH(mm)。BCAP指标被视为我们的算法从AP定位像中识别身体中心线的能力,从而指示身体中心线距机架等中心的距离,该等中心对于任何CT扫描仪均为固定位置,最终反映自动设置所需床高和患者定位的能力。

同样,BCGTH与机架等中心之间的距离被视为根据身体中心的手动定位误差(BCMP),公式为BCMP = BCGTH − 机架等中心。BCMP被视为评估技师根据身体中心线进行患者定位准确性的指标。

此外,通过对轴位真实值图像和深度学习模型生成的图像应用基于强度的阈值分割,对肺部进行分割。与体轮廓勾画所遵循的流程类似,通过在覆盖全肺的双肺分割区域上创建B.Box来计算双肺中心线(LC)。分别测量从真实值轴位层面提取的肺中心线(LCGTH)和从深度学习模型生成的图像中提取的肺中心线(LCDL)。根据肺中心线的深度学习自动定位误差定义为LCAP = LCDL − LCGTH。技师将肺中心线定位至等中心的误差定义为LCMP = LCGTH − 机架等中心。

BCAP、LCAP、LCMP 和 BCMP 的负值表示患者定位(中心线)位于机架中心下方(检查床较低),而正值表示患者定位位于机架中心上方(检查床较高)。对于本研究纳入的所有病例(C1 为 3243 例,C2 为 2511 例),测量 BCMP 和 LCMP 以评估技师在前后(AP)方向定位患者的操作表现。我们对外部测试组(C1:648 例,C2:502 例)比较了深度学习(DL)与技师的操作表现。

统计分析

将我们的算法检测体中心线的能力与从三维轴位图像获得的地面真实数据进行比较。采用 Kolmogorov–Smirnov 检验检验分布的正态性。BCAP 与 BCMP、LCAP 与 LCMP 分别通过 Mann–Whitney 检验进行比较。此外,我们以 BCAP、BCMP、LCAP 和 LCMP 的绝对值作为输入重复 Mann–Whitney 检验,以消除正负误差的相互抵消效应。我们使用 Spearman 检验寻找体尺寸与定位误差之间任何潜在的 correlation。p 值小于 0.05 被认为具有统计学显著性。

结果

人群与扫描参数描述

表 1 总结了本研究纳入患者的人口学信息。中心 #2(C2)患者的体尺寸略大于中心 #1(C1),但该差异无统计学显著性(p 值 > 0.05)。

纳入的全部 5754 例病例(C1:3243 例,C2:2511 例)的平均误差,即相对于定位的绝对 BCMP,分别为 和 mm。C1 和 C2 数据集的绝对 LCMP 分别为 和 。超过 10 mm 的体位偏心发生在 60% 的病例中。

表 1 研究方案所纳入两个中心的患者人口学信息和 CT 采集参数。D_AP,前后径;D_Lat,横径 查看原表 ↗

体中心线与肺中心线检测

表 2 显示了我们在临床场景中提出的基于 DL 的方法与人工操作表现相比的性能。以 BCAP 衡量的自动体中心定位误差在 C1 和 C2 分别为 和 mm,这显著优于 C1 和 C2 两个中心技师以 BCMP 衡量的操作表现(p 值 < 0.01)。同时,以 LCAP 衡量的肺中心定位误差在 C1 和 C2 分别为 和 mm。对于 C1 数据集,LCAP 显著优于 LCMP(p 值 < 0.01),而对于 C2 测试数据集,LCAP 与 LCMP 之间未发现统计学显著差异(p 值 = 0.069)。总共有 45 例的绝对 BCAP 超过 20 mm。

图 2 描绘了比较两个中心基于 DL 的方法与人工操作在体中心定位方面表现的小提琴图。与肺中心线相比,基于 DL 的方法在体中心线检测方面表现出更优性能,其偏倚更低且方差更小(表 2)。

图3展示了自动定位技术和手动定位技术所达到的机架等中心误差分布。基于深度学习(DL)的方法提高了患者体位对中的准确性,其中C1和C2的BCAP和BCMP平均绝对值分别为5.7 vs. 14 mm和8.26 vs. 16.08 mm。该图展示了来自两个中心的所有外部测试数据集的误差(合并两个数据集),其中观察到LCAP与LCMP及其绝对值之间存在显著差异(p值 < 0.01)。

对于体型较大的患者,DL性能的误差显著更大(p值 < 0.05)。此外,女性的误差比男性更大,但该差异无统计学意义(p值 = 0.25)。

图4展示了两名患者轴位和冠状位切片的代表性示例。图4(1)展示了全身中心线,其中B.Box以黄色高亮显示,黄线描绘了理想B.Box。中心线可通过视觉相机检测,而红点显示了区域中心线,反映有限轴向范围内的身体中心线。图4(2)展示了身体中心与胸部扫描范围(红色)、肺部中心与胸部扫描范围(黄色)以及身体中心与心脏扫描范围的不同中心线。

表2 两个中心自动定位与手动定位之间自动定位误差的比较。p值展示了Mann–Whitney统计检验的结果 查看原表 ↗
图2 通过DL进行的中心线检测误差与人工表现之间的比较 查看原图 ↗
图3 手动定位和自动定位在患者定位中实现的误差直方图,包括手动定位时肺部错中心(LCMP)和自动定位时肺部错中心(LCAP)的肺部定位误差,以及自动定位时身体错中心(BCAP)和手动定位时患者错中心(BCMP)的身体定位误差 查看原图 ↗
图4 扫描范围对身体中心线的影响。(1) 从头部到大腿中部的体轮廓(皮肤轮廓)侧视图。黄色方框和线条显示了边界框和中心线,可通过视觉相机以零误差精度检测。红点表示每个轴向位置的身体中心线。(2) 一名男性患者胸部3D渲染图像体轮廓(青色)和肺部分割(红色)。可视化了三个边界框和中心线。红色显示胸部CT典型扫描范围的身体B.Box和中心线。黄色显示胸部扫描范围的肺部B.Box和中心线。绿色显示典型心脏扫描范围的B.Box和中心线。(3) (2)中所示同一患者的冠状位切片 查看原图 ↗

讨论

患者偏离中心是CT成像中的常见问题,可能影响患者辐射剂量和图像质量[31]。我们的观察表明,在临床场景中,超过60%的病例患者偏离中心超过10 mm。应当指出,78%的病例检查床高度是固定的,表明常规方案基于固定床高而非针对患者的个体化床高调整。与文献报道的结果一致,C1和C2的平均绝对BCMP(体中线手动定位)分别为 mm和 mm。Akintayo等[2]报道平均误差为 mm,而Dane等[11]报道平均误差为 mm。此外,Gang等[12]近期报道了更高的平均误差( mm),与Sukupova等[3]的研究相当,后者报道平均误差为 mm。这一观察结果可能与患者人群、技师技能/经验及患者特征有关。

在本研究中,我们开发了一个模型,用于从胸部CT扫描的单张二维定位像预测三维体轮廓。因此,我们利用这些体轮廓来估计体轮廓的中心线及其与机架等中心的距离,在此基础上提出了自动床高调整以执行自动患者定位。在准确性方面,我们的方法与试图通过固定在天花板上的3D摄像头(单房间)或使用便携式摄像头来克服偏离中心问题的研究相当。我们的绝对BCAP误差(C1 mm,C2: mm)与近期研究报告的范围相同。Booij等[9, 10]报道了将患者身体定位于机架等中心时,成人中位数和四分位距分别为5.4和6.4 mm,儿科患者分别为4.8和6.7 mm。相比之下,考虑两台扫描仪的数据,我们的绝对BCAP中位数和四分位距分别为5.25 mm和6.94 mm。应当注意,他们排除了患者身体上有附加物体(如毯子、保暖衣物或固定辅助设备)的病例。

Saltybaeva等[13]报道了使用视觉摄像头对68例胸部CT病例进行自动身体定位的误差为 mm,与我们的结果相当。然而,他们未报道绝对误差超过20 mm的病例,而我们观察到45例BCAP超过20 mm。Dane等[11]开发的方法实现了 mm的误差,在BCAP方面与我们的结果相当。应当注意,他们依赖于3D摄像头和AP定位像,并要求技师确认/验证由自动模型调整的摆位。Gang等[12]对127例COVID-19患者使用自动和手动定位进行了两次扫描,报道BCAP误差为 mm,明显高于我们的结果。

我们提出的算法的重要优点在于,它不需要任何额外设备或耗时的校准;此外,它对额外物体、衣物、毯子或胶带固定器的存在具有鲁棒性,而不会对定位产生任何不良影响。已有报道表明,患者身体上额外覆盖的毯子遮挡3D摄像头的视野是一种常见情况,尤其是在急诊和儿科成像中。这些外部物体可能导致患者定位出现相当大的误差,高达70 mm [15]。

Dane等人[11]强调了轴向扫描范围在识别身体中心线中的重要性。使用3D摄像头并从图像中提取身体轮廓时,摄像头视野内可见的整个身体被用于距离和中心线检测。然而,在螺旋CT扫描过程中,仅扫描身体的有限部分,例如胸部、腹部或脑部。如图4所示,身体中心线会随轴向扫描范围的改变而显著变化,这限制了摄像头的性能,即使忽略衣物或毯子的影响也是如此。胸部成像的身体中心线不同于腹部成像的中心线;通过在定位像上划定所需扫描范围,中心线可能因技师的决定而改变,即使在典型的胸部扫描中也是如此[25, 32]。这一事实可能导致轴向扫描中的偏心定位,即使3D摄像头具有完整且完美的性能。相反,在我们的方法中,当技师按常规在定位像上选择扫描范围时,定位像被裁剪,中心线恰好拟合定位像图像上所指示的螺旋扫描范围。

在诊断放射学中,就有效剂量和器官吸收剂量(如晶状体、乳腺或性腺)而言,图像质量与辐射剂量之间存在固有的权衡。尽管通过将患者定位于等中心可以实现图像质量的同时改善和剂量降低,但特定器官的图像质量和辐射剂量可能以更复杂的方式受到影响。Greffier等人报道,偏心定位对肺部噪声的影响大于对软组织的影响[6, 15]。自动管电流调制(TCM)系统通过改变床高来高估/低估衰减,因为较高的床高会导致前后位(AP)定位像放大,并增加管电流或管电压(如果具备自动kVp选项),反之亦然[7]。此外,蝴蝶结滤光片的形状增加了机架等中心处的辐射通量。可以得出结论,图像质量和器官剂量受到蝴蝶结滤光片、TCM系统对衰减的估计、患者偏心定位和器官位置的共同影响。

需要注意的是,女性患者的BCAP更大,尽管这一差异无统计学意义。乳房形状和位置可显著影响身体边界框和中心线,也可能对依赖管电流调制的新型剂量降低技术的性能产生不利影响[33]。在识别身体中心线时,另一个关键点是在中心线检测中考虑还是忽略乳房,这会改变所计算的中心线。对于患者定位,必须权衡乳房剂量、内部器官剂量、TCM性能和图像质量之间的关系。我们的结果表明,患者体型与BCMP和BCAP之间存在显著正相关,这与Sukupova等人[3]的发现一致。

对于特定适应证,例如腰椎、心脏或COVID-19大流行期间的肺部CT,感兴趣特定器官的图像质量更为重要,而目标器官建议/优先置于机架等中心[9]。我们测试了我们的方法从定位像中区分肺中心线及其基于器官的患者居中能力。仅在C1时,LCAP方面的误差与BCAP相当,这证明了我们的方法执行器官级患者定位的能力。在比较自动和手动肺部定位(LCAP和LCMP)时,应注意技师不应将肺定位于机架中心。事实上,无论是技师还是视觉3D相机,从体表解剖标志进行肺部定位都是不可行的。

随着呼吸运动,胸部区域的身体轮廓会发生变化。因此,在开始扫描前于潮式呼吸状态下进行定位,可能导致身体中心线检测出现一些不匹配[34],而典型的螺旋胸部CT呼吸相位为吸气末。通过我们提出的方法,定位像和螺旋采集可处于同一呼吸相位,以克服这一问题。定位像与螺旋扫描之间的这种呼吸相位匹配是我们结果中所报告的良好一致性的原因之一。我们算法的一个局限性在于其具有扫描仪特异性;即训练好的网络只能在同一厂商的设备上实施。这一局限性源于不同厂商采用的像素值定义和预处理流程不同。我们在来自两个厂商的两台不同CT扫描仪上评估了我们的方法,并证明其优于人工操作,且与使用视觉相机的替代技术相当。迁移学习可用于在真实临床场景中解决这一问题,即利用有限的训练数据集在每个中心实施该模型。然而,依赖3D相机的替代技术仅适用于单一检查室。将手动定位与使用3D视觉相机的自动定位以及我们基于深度学习的定位等多种方法相结合,可能提高准确性,并有可能消除异常病例。每种方法都有其局限性,检查三种模型相结合是否能规避各自的弱点并提高整体性能将会很有意义。

结论

我们旨在通过使用深度神经网络,从单张前后位(AP)定位像生成患者身体的三维合成图像,从而克服患者偏离中心的问题。所提出网络的性能与依赖3D摄像头的其他替代技术相当。该方法的优势在于不需要任何额外设备;此外,它能够实现基于器官的患者居中。该方法可在临床环境中实施,以帮助技师减少偏离中心对图像质量和患者辐射剂量的不良影响。

引用

  1. Salimi, Shiri, Akavanallaf, et al. Fully automated accurate patient positioning in computed tomography using anterior-posterior localizer images and a deep neural network: a dual-center study. Eur Radiol. 2023. PMID: 36703015. doi:10.1007/s00330-023-09424-3
  2. 全文:PMC9879741(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9879741/

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。