深度学习图像重建算法对冠状动脉CT血管成像图像质量的影响
前瞻性单中心研究纳入51例临床指征行CCTA患者,对比DLIR(低、中、高强度)与ASiR-V(10%-100%)及FBP共14种重建。DLIR_H客观噪声最低,与ASiR-V 100%相当;DLIR_M主观图像质量最高(4分),且与ASiR-V 50%在CAD诊断中相关性极强(r=0.874)。
要点
- DLIR_M主观图像质量最优,评分4(IQR 4-4),显著高于其他重建(P≤0.001)。
- DLIR_H客观噪声最低(中位9.7),与ASiR-V 100%相当(P=1),SNR和CNR最高。
- DLIR_M与ASiR-V 50%对CAD诊断相关性极强(r=0.874,P=0.001),总体一致率98%。
关键影像表现/征象
- DLIR不影响血管衰减值(P≥0.374)。
- DLIR_H噪声最低(中位9.7,IQR 4.5-15.5),与ASiR-V 100%(中位10.4)相当(P=1),显著低于DLIR_M(中位13.9,P=0.011)及其他重建(P≤0.021)。
- DLIR_H的SNR最高(中位65.1),与ASiR-V 100%(中位55.7)相当(P=0.139);CNR最高(中位59.1),与ASiR-V 100%(中位51.0)相当(P=0.075)。
- DLIR_M主观评分最高(4,IQR 4-4),显著高于所有其他重建(P≤0.001);DLIR_H与ASiR-V 50%主观评分相当(均为3分,P=0.085)。
- DLIR_H重建中读者指出小斑块轮廓轻微模糊,可能解释DLIR_M主观评分更优。
诊断标准与关键数值
- 主观图像质量采用4分Likert量表:1分差、2分可接受、3分好、4分优秀;评分2-4分视为诊断可接受。
- CAD狭窄程度分级:无狭窄(0%)、非阻塞性(1-49%)、阻塞性(≥50%)。
- DLIR_M与ASiR-V 50%诊断CAD相关性r=0.874(P=0.001);无狭窄、1-49%狭窄、≥50%狭窄的一致率分别为98%、73%、76%。
临床应用与阅片要点
- 日常CCTA重建可优先选择DLIR_M,其主观图像质量最优且与常规ASiR-V 50%诊断一致性强。
- DLIR_H噪声最低、SNR/CNR最高,但需注意小斑块轮廓可能轻微模糊,报告时结合多平面重建综合判断。
- DLIR不改变血管衰减值,不影响基于CT值的钙化或斑块评估。
- 可利用DLIR的高图像质量优势,探索低剂量或低对比剂用量CCTA协议。
局限性
- 研究为单中心、前瞻性设计,样本量51例,结果需多中心大样本验证。
- DLIR算法为特定厂商(GE Healthcare)产品,结果不能直接推广至其他DLIR算法。
- 未对支架段进行亚组分析,DLIR在支架内的性能未专门评估。
- 未以有创冠状动脉造影作为参考标准评估诊断准确性。
全文中译13 节 · 点击展开
引言
冠状动脉计算机断层扫描血管成像(CCTA)作为诊断阻塞性冠状动脉疾病(CAD)的无创工具发挥着关键作用,其原因在于其广泛可及性、高诊断准确性、优异的阴性预测值以及持续的技术进步[1–3];此外,得益于对冠状动脉粥样硬化负荷的全面评估,CCTA能够预测未来的主要不良心脏事件[4]。然而,尽管辐射剂量呈降低趋势,辐射暴露仍是一个主要关注点,患者安全方面仍有很大改进空间[5–7]。
滤波反投影(FBP)作为标准重建算法已超过三十年,确保了稳健且省时的CT图像。然而,在应用剂量降低策略时,该方法无法维持足够的图像质量。2009年迭代重建(IR)算法的应用克服了这些局限性。IR技术,无论是混合型(与FBP联合)还是基于模型的(独立使用),均能使低剂量CT检查获得可接受的图像噪声。然而,除了去噪能力之外,IR还受困于图像纹理的改变,最终导致图像过度平滑,阻碍了其充分利用[8–10]。
基于深度卷积神经网络的深度学习图像重建(DLIR)算法近期由厂商发布,有望缩短重建时间并显著降低噪声,同时保留图像纹理[11–13]。DLIR应用于CCTA目前正在不同任务中积极研究,如图像优化、分类、分割、预后和结局预测[14–16];特别是,在特定强度水平下,DLIR相比IR正在取得有前景的结果[17–19]。然而,据我们所知,此前尚无研究在与IR和FBP的广泛比较中评估DLIR的图像质量。
因此,本研究的目的是对使用DLIR重建的CCTA进行全面的个体内客观和主观图像质量评估,并评估其与常规应用的混合迭代重建算法的相关性。
材料与方法
患者人群
这项前瞻性、单中心研究经当地机构审查委员会批准,所有患者均获得书面知情同意。2021年4月至12月连续纳入因已知或疑似CAD而接受临床指征CCTA的患者。排除标准为:(a) CCTA上严重运动伪影,(b) 对比剂注射禁忌证,(c) 心率 > 90次/分。
对心率 > 75次/分的患者,在排除禁忌证后静脉给予β受体阻滞剂(美托洛尔,5 mg)。所有患者舌下给予硝酸酯类药物(三硝酸甘油酯,0.8 mg)以诱导血管舒张,从而更好地评估冠状动脉。
图像采集
所有冠状动脉CT血管成像(CCTA)检查均在吸气末期以头尾方向采集,采用回顾性心电门控,使用128层CT扫描仪(GE Revolution EVO,GE Medical Systems,Milwaukee,WI)。应用以下参数:探测器准直宽度0.625 mm,机架旋转时间0.6 s,螺旋螺距根据心率自动调整,范围为0.16至0.30,矩阵为512 × 512像素。管电压和管电流调制根据患者体重指数(BMI)固定:BMI < 30的患者为80 kV和150 mA,BMI > 30的患者为100 kV和200 mA。
以固定流率5 mL/s通过18号肘前静脉通路静脉注射固定量(50 mL)的非离子型高碘浓度对比剂(400 mgI/mL碘美普尔,Iomeron 400;Bracco Imaging,意大利),使用自动三筒动力注射器(MEDRAD® Centargo CT注射系统;Bayer AG,柏林,德国),随后以相同流率推注40 mL生理盐水。扫描延迟使用团注跟踪软件程序(SmartPrep,GE Healthcare)确定:当置于肺动脉层面升主动脉的感兴趣区(ROI)达到触发衰减阈值(100 HU)后,以自动最短诊断延迟开始CCTA采集。
图像重建
每次检查均以0.625 mm层厚采用三种不同算法进行重建:(1)滤波反投影(FBP),(2)混合迭代重建(IR)(ASiR-V,GE Healthcare),强度水平从10%至100%,以10%递增,(3)深度学习图像重建(DLIR)(TrueFidelity™,GE Healthcare),三个强度水平:低、中和高(分别为DLIR_L、DLIR_M和DLIR_H)。因此,每次CT检查最终生成十四种不同的图像数据集。TrueFidelity™应用深度神经网络,该网络先前使用高质量FBP数据集训练,能够区分图像噪声与信号,并通过选择性抑制噪声来重建CT图像[13]。
客观图像质量分析
由一名具有5年心血管影像经验的放射科医师在专用工作站(Advantage Workstation 4.7,GE Healthcare)上,对每位患者的所有十四种重建图像数据集进行定量测量,并覆盖所有重建数据集。
在轴位层面上,ROI绘制于左侧胸肌、升主动脉(左主干冠状动脉起始处)、左主干动脉、左前降支动脉、回旋支动脉和右冠状动脉,仔细避免包括血管壁和动脉粥样硬化斑块。图像噪声定义为绘制于胸肌的ROI的标准差(SD)。
所有ROI均放置三次,测量值取平均值以尽量减少测量不准确性。通过应用工作站的复制粘贴功能,确保各数据集中ROI放置的一致性。
信噪比(SNR)计算如下:
对比噪声比(CNR)计算如下:
主观图像质量分析
两名分别具有8年和12年CCTA经验的放射科医师,在不知晓重建方案的情况下,以共识阅片方式对ASiR-V 50%、ASiR-V 100%、DLIR_M和DLIR_H数据集进行主观图像分析。数据集的选择依据常规临床实践(ASiR-V 50%)、客观图像质量分析结果(ASiR-V 100%和DLIR_H)以及厂商推荐(DLIR_M)确定主观图像质量。图像采用标准窗设置(窗宽1200 HU;窗位240 HU)进行评价,但可根据阅片者偏好自由调整。环境照明条件保持恒定,约为35–40 lx。
为尽量减少回忆偏倚,图像按随机顺序进行评价,每次判读期间每位患者分析的不同重建数据集不超过两个,各次判读之间保持7天的时间间隔。
针对斑块的图像质量采用1至4分的4点Likert有序量表进行评估(1分,差;2分,尚可;3分,好;4分,轮廓勾勒极佳)。当图像质量被评为尚可、好或极佳(评分2–4分)时,相应冠状动脉节段被视为可诊断[20];若同一节段存在多个斑块,则采用狭窄程度最高的斑块进行进一步分析。
DLIR与ASiR-V之间的相关性
分析由完成主观图像质量分析的两名放射科医师在间隔2周后以共识阅片方式,对ASiR-V 50%(临床实践中常规使用的数据集)和DLIR_M(获得最高总体主观图像质量的数据集)进行。冠状动脉树依据SCCT关于CCTA判读与报告指南中描述的分段方法进行分析[21]。采用轴位图像和曲面多平面重建进行图像评价,窗位设置可自由调整。每个冠状动脉节段的CAD视觉评分如下:无病变(管腔狭窄0%)、非阻塞性CAD(管腔狭窄1–49%)和阻塞性CAD(管腔狭窄≥ 50%)[22];若同一节段存在多个病变,则根据狭窄程度最高的病变对冠状动脉节段进行分类。
统计分析
统计分析使用市售软件(IBM Corp. Released 2017. IBM SPSS Statistics for Macintosh, Version 25.0. Armonk, NY: IBM Corp)进行。采用Kolmogorov–Smirnov检验评估数据分布的正态性。
连续变量若呈正态分布则以均值 ± 标准差表示,若呈非正态分布则以中位数和四分位距(IQR)表示;分类变量以中位数和IQR表示。
不同重建数据集的血管衰减值、图像噪声和图像质量视情况采用重复测量方差分析或Friedman检验进行比较。
DLIR_M与ASiR-V 50%数据集之间的相关性采用Pearson相关系数进行衡量。P值 < 0.05被认为表示结果具有统计学显著性;事后两两比较采用Bonferroni校正进行多重比较调整。
结果
患者人群
患者特征的完整结果见表1,相应流程图见图1。
最初识别的55例患者中,1例因严重运动伪影被排除,1例因对比剂(CM)注射禁忌证被排除,2例因心率 > 90 bpm被排除。因此,最终符合图像质量分析条件的51例患者(22例女性),平均年龄64 ± 15岁(范围18–84岁),平均BMI 26.6 ± 4.9 kg/m2(范围16.3–37.2)。CCTA采集期间测得的平均心率为63 ± 9 bpm。
客观图像质量
综合客观图像质量评分汇总于表2。
共分析714个数据集。与FBP及每种ASiR-V重建相比,DLIR算法未影响血管衰减值(P ≥ 0.374)。图像噪声和客观图像质量的图示分别见图2和图3。
最低噪声由DLIR_H获得(中位数:9.7,IQR:4.5–15.5),与ASiR-V 100%相当(中位数:10.4;IQR:5.0–17.9;P = 1),并显著低于DLIR_M(中位数:13.9;IQR:5.6–21.6;P = 0.011)、DLIR_L(中位数:15.8;IQR:6.5–24.7;P < 0.001)以及所有其余ASiR-V数据集(P ≤ 0.021)。DLIR_M数据集的图像噪声与ASiR-V 80%和ASiR-V 90%相当(P = 1),且低于DLIR_L(P = 0.023)。DLIR_L数据集的图像噪声与ASiR-V 60%和ASiR-V 70%相当(P = 1)。最高图像噪声由FBP数据集测得(中位数:41.7;IQR:17.9–72.6),与每种DLIR重建均显著不同(P < 0.001)。
最高SNR由DLIR_H实现(中位数:65.1,IQR:37.7–159.4),与ASiR-V 100%相当(中位数:55.7;IQR:32.6–144.0;P = 0.139),并显著高于DLIR_M(中位数:49.5;IQR:28.3–121.4;P < 0.001)、DLIR_L(中位数:41.5;IQR:23.5–103.1;P < 0.001)以及所有其余ASiR-V数据集(P < 0.001)。DLIR_M数据集的SNR与ASiR-V 80%和ASiR-V 90%相当(P = 1),且SNR高于DLIR_L(P < 0.001)。DLIR_L数据集的SNR与ASiR-V 60%(P = 0.157)和ASiR-V 70%(P = 1)相当。最低SNR由FBP重建测得(中位数:13.7;IQR:8.4–37.6),与每种DLIR重建均显著不同(P < 0.001)。
最高CNR由DLIR_H实现(中位数:59.1,IQR:34.0–153.4),与ASiR-V 100%相当(中位数:51.0;IQR:30.0–134.6;P = 0.075),并显著高于DLIR_M(中位数:43.7;IQR:25.7–114.0;P < 0.001)、DLIR_L(中位数:36.7;IQR:21.3–101.4;P < 0.001)以及所有其余ASiR-V数据集(P < 0.001)。DLIR_M数据集的CNR与ASiR-V 80%(P = 0.281)和ASiR-V 90%(P = 1)相当,且CNR高于DLIR_L(P < 0.001)。DLIR_L数据集的CNR与ASiR-V 60%(P = 0.113)和ASiR-V 70%(P = 1)相当。最低CNR由FBP重建测得(中位数:12.2;IQR:7.4–32.8),与每种DLIR重建均显著不同(P < 0.001)。组间两两比较分别见表3(CNR)和表4(SNR)。
主观图像质量
主观图像质量评分及相应的两两比较见表5。DLIR数据集重建的检查均未被判定为不可诊断的图像质量。DLIR_M的总体中位图像质量最高(评分:4;IQR:4–4),显著高于所有其他重建(P ≤ 0.001)。DLIR_H和ASiR-V 50%数据集的结果相当(评分:3,P = 0.085);其次为ASiR-V 100%(评分:2;IQR:2–3);图4。
DLIR与ASiR-V之间的相关性
共评估721个冠状动脉节段是否存在冠状动脉狭窄。在常规应用的ASiR-V 50%数据集中,584个节段未见狭窄,101个节段发现1–49%狭窄,36个节段发现≥ 50%狭窄。在DLIR_M中,577个节段未见狭窄,107个节段发现1–49%狭窄,37个节段发现≥ 50%狭窄,两个数据集之间的一致率分别为98%、73%和76%,总体相关性极强(r = 0.874,P = 0.001),图5。
讨论
我们研究的目的是对使用DLIR重建的CCTA进行全面的个体内图像质量评估,并评估ASiR-V与DLIR在CAD诊断中的相关性。我们的研究表明,与ASiR-V和FBP相比,DLIR不影响血管衰减,DLIR_H显示出最低的噪声,与ASiR-V 100%相当,并显著低于其他所有重建。DLIR_H实现了最高的客观图像质量,SNR和CNR与ASiR-V 100%相当。DLIR_M返回了最高的主观图像质量,显著高于所有其他重建。此外,在CAD诊断中,DLIR_M与ASiR-V 50%数据集之间发现了非常强的相关性。
在诊断图像质量与辐射剂量之间实现适当的权衡一直是CT技术进步的关键目标。X射线管的辐射输出降低若未通过补偿策略加以抵消,则会因图像噪声不可接受的增加而转化为非诊断性图像。计算能力的不足阻碍了IR技术在临床上可行,直到2009年IR开始取代FBP成为首选重建方式[23]。尽管IR算法提供了显著的辐射剂量降低和整体图像质量提升,但其倾向于改变图像纹理,产生过度平滑的“塑料样”图像。图像过度平滑随IR强度增加而加剧[24];因此,中等强度水平(通常为50%至70%)在临床实践中被普遍采用,代表图像噪声与纹理之间的良好权衡。计算能力的持续增长以及大数据可获得性的不断增加,为DLIR算法铺平了道路。两家主要CT厂商GE Healthcare和Canon Medical System的DLIR算法均获得了FDA的许可,二者均基于深度神经网络,分别使用高质量FBP图像[13]和基于模型的IR数据集[12]进行训练。两种算法均在广泛研究中并取得了有前景的结果:近期临床研究已记录DLIR相比IR能够生成噪声更低、图像质量更优的图像;在CCTA[17, 25–27]、腹部CT[28–32]、胸部CT检查[33–35]和脑部CT扫描[36, 37]中均获得了有利结果。
与IR相比,DLIR是一种更稳定的重建方法,因为其性能受剂量变化和重建级别变化的影响较小,已被证明能有效降低图像噪声并改善图像质量,而不改变典型的FBP噪声纹理[38]。在体模实验中,DLIR_H已被证明相比DLIR_L可实现37%的噪声降低,相比ASiR-V 50%可实现40%的噪声降低,我们的研究将这些结果在体内转化并具有良好的一致性,证明其降噪能力相比DLIR_L高达39%,相比ASiR-V 50%达40%。我们对十四种不同数据集的广泛比较进一步揭示了DLIR在降低图像噪声方面的性能,证明DLIR_H相比FBP(77%噪声降低)和ASiR-V 10%至90%(65%至13%噪声降低)具有更优性能。具体而言,这些发现也与近期聚焦于CCTA的研究一致,这些研究报告DLIR_H相比ASiR-V 60%的降噪性能为54%[26],相比ASiR-V 70%为43%[17]。
作为DLIR去噪效力的结果,我们的研究表明,SNR和CNR随DLIR强度增加而升高,在DLIR_H时达到峰值:以DLIR_H测量的中位图像质量比ASiR-V 60%约高44%,比ASiR-V 70%高39–40%,与现有文献[17, 26]一致。DLIR_H也达到了比更强ASiR-V水平更高的客观图像质量;然而,尽管比ASiR-V 100%得分高14%,这两个数值具有可比性。
我们的研究还表明,中等强度水平的DLIR提供了最高的主观图像质量。没有任何使用DLIR数据集重建的检查被认为图像质量不可接受;然而,DLIR_M的中位图像质量被认为极佳,其次是DLIR_H和ASiR-V 50%,这两个数据集之间无统计学差异。这些结果与Benz及其同事[17]不同,他们报告DLIR_H优于或相当于DLIR_M。尽管如此,在我们的研究中,读者指出DLIR_H下小斑块轮廓有轻微模糊,最终导致图像细节丢失。这些细微效应可能解释DLIR_M表现最佳,同时考虑到腹部设置中DLIR_M算法也报告了类似模糊[29]。噪声纹理的改变及随之而来的成像过度平滑是IR算法众所周知的局限性,这是在临床实践中选择较低强度水平的主要原因。与ASiR-V相反,所研究的DLIR使用FBP数据进行训练,对噪声纹理影响很小或几乎没有影响,并重建出更清晰的数据集,其特征为诊断准确性相当。
DLIR所确保的高图像质量,连同其省时的重建过程(轴位CCTA≤ 50 s [38]),为其在常规临床实践中的实施铺平了道路。可设计专用CCTA采集方案,以利用DLIR重建低剂量检查高质量图像的能力[17, 18, 27]。DLIR所确保的改善图像质量还可能允许使用专用低容量对比剂注射方案,这在老年人或心力衰竭和肾功能受损患者中尤其有用。因此,DLIR算法的应用可能在临床实践中有益,可允许更温和的辐射剂量方案,而不对图像质量和诊断准确性产生不利影响。
本研究的结果应结合一些局限性来看待。首先,所研究的DLIR算法和获得的结果具有厂商特异性;因此,我们的发现可能不能直接推广到其他DLIR算法。然而,迄今为止所进行的所有研究都取得了有希望的初步结果。其次,尽管我们纳入了接受过冠状动脉支架置入的患者,但我们未进行亚组分析以专门检验DLIR在支架段的表现。未评估进一步的诊断准确性,因为有创冠状动脉导管检查并非常规可用的参考标准;因此,我们的结果需要用更大队列患者和多机构研究来加强。
总之,中等强度水平的DLIR算法显著改善CCTA图像质量,并且在CAD诊断中与常规应用的ASiR-V 50%数据集具有非常强的相关性。
引用
- De Santis, Polidori, Tremamunno, et al. Deep learning image reconstruction algorithm: impact on image quality in coronary computed tomography angiography. Radiol Med. 2023. PMID: 36847992. doi:10.1007/s11547-023-01607-8
- 全文:PMC10119038(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10119038/
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。