人工智能優(yōu)化算法對(duì)提高大體型患者低劑量掃描冠狀動(dòng)脈圖像質(zhì)量的價(jià)值

劉珮君， 王怡寧， 于敏， 王曼， 閆爽， 易妍， 徐橙， 王沄， 金征宇

心血管疾病(cardiovascular disease,CVD)已經(jīng)成為全世界發(fā)病率和死亡率最高的疾病之一[1]。在我國(guó)，心血管疾病患病率及死亡率處于上升階段，推算我國(guó)CVD現(xiàn)患病人數(shù)約2.9億，其中冠心病患病人數(shù)約1100萬(wàn)，因此冠心病早期診斷及準(zhǔn)確評(píng)估對(duì)于患者的有效防治及預(yù)后非常重要[2]。隨著CT技術(shù)的不斷發(fā)展，冠狀動(dòng)脈CT血管成像(coronary computed tomography angiography，CCTA)技術(shù)已日漸成熟并作為疑似冠狀動(dòng)脈疾病(coronary artery disease，CAD)患者首選的無(wú)創(chuàng)影像學(xué)檢查方法廣泛應(yīng)用于臨床[3-5]。以侵入性冠狀動(dòng)脈造影檢查(invasive coronary angiography，ICA)為參考標(biāo)準(zhǔn)，CCTA對(duì)冠狀動(dòng)脈狹窄有很高的診斷價(jià)值，尤其對(duì)于低到中度冠狀動(dòng)脈疾病風(fēng)險(xiǎn)的患者，CCTA有較高的敏感度(95%～99%)及陰性預(yù)測(cè)值(97%～99%)，成為了篩查排除阻塞性CAD的可靠手段[6-8]。但是，CCTA檢查用于大體型患者人群有局限性。當(dāng)大體型患者行CCTA檢查時(shí)，X線散射以及圖像噪聲的增加降低了圖像質(zhì)量，從而影響冠狀動(dòng)脈小血管及非鈣化斑塊的顯示[9-11]。Brodoefel等[10]研究證實(shí)，大體型患者是影響冠狀動(dòng)脈圖像質(zhì)量的獨(dú)立因素。同樣的，Alkadhi等[12]研究證實(shí)，大體型患者會(huì)使CCTA檢查的特異性及陽(yáng)性預(yù)測(cè)值降低。在CT掃描中，大體型患者掃描通常需要增加管電壓和管電流才能達(dá)到和正常體重患者一樣的冠狀動(dòng)脈圖像質(zhì)量，但這樣增加了患者的輻射劑量[13]。而低管電壓掃描用于大體型患者似乎有些挑戰(zhàn)，降低管電壓會(huì)使得圖像質(zhì)量下降，比如噪聲增加、偽影增多等。為了克服上述問題，迭代重建(iterative reconstruction，IR)被引入臨床。相比于傳統(tǒng)的濾波反投影(filtered back projection，F(xiàn)BP)算法，IR算法通過(guò)降低圖像噪聲及抑制偽影產(chǎn)生，提高冠狀動(dòng)脈圖像質(zhì)量和診斷準(zhǔn)確性。Sun等[14]研究證實(shí)100 kV管電壓聯(lián)合迭代重建算法用于身體質(zhì)量指數(shù)(body mass index，BMI) 26～30 kg/m2患者，其冠狀動(dòng)脈圖像具有診斷價(jià)值。然而，IR算法也其限制性，需要較長(zhǎng)的處理時(shí)間以及足夠的投影數(shù)據(jù)[15]。

隨著深度學(xué)習(xí)技術(shù)的飛速進(jìn)展，基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)的人工智能(artificial intelligence，AI)優(yōu)化算法逐漸深入影像學(xué)的各個(gè)領(lǐng)域，比如處理CT中常見的噪聲增加和細(xì)節(jié)丟失等問題，從而提高圖像質(zhì)量[16-18]。本研究的目的是通過(guò)將AI圖像優(yōu)化技術(shù)及迭代重建算法結(jié)合在一起用于提升大體型患者的冠狀動(dòng)脈的圖像質(zhì)量，并初步探討其臨床應(yīng)用價(jià)值。

材料與方法

1.研究對(duì)象

前瞻性納入2018年2月-5月28例臨床上疑似有冠狀動(dòng)脈疾病的大體型患者(BMI>26 kg/m2)[19]進(jìn)行CCTA掃描。排除標(biāo)準(zhǔn)：嚴(yán)重肝腎功能不全，對(duì)比劑過(guò)敏，嚴(yán)重心律不齊，失代償性心功能不全，孕婦或哺乳期婦女及冠狀動(dòng)脈旁路移植術(shù)后患者。本研究經(jīng)倫理委員會(huì)批準(zhǔn)，所有患者簽署知情同意書。共納入28例患者，男17例，女11例，年齡41～69歲，平均(58.5±7.4)歲。

2.檢查方法

①圖像采集與重建：采用東軟醫(yī)療NeuViz 128 CT心電門控前瞻性步進(jìn)掃描。患者取仰臥位，掃描范圍從氣管分叉下方1 cm至心臟膈面水平。CT掃描參數(shù)：管電壓100 kV、應(yīng)用基于定位像的自動(dòng)管電流調(diào)制[參考電流210 mAs，管電流(233.4±46.7) mAs]，旋轉(zhuǎn)時(shí)間0.35 s，螺距0.23，層厚及層間距均為0.625 mm，重建矩陣512×512，準(zhǔn)直128×0.625 mm，濾波參數(shù)為Cardiac 20，迭代算法ClearView+50%。所有患者于右側(cè)肘前靜脈開通靜脈通路，采用雙筒高壓注射器(美國(guó)Mallinckrodt Optivantage V5)及18G套管注入對(duì)比劑和生理鹽水。注射方案：對(duì)比劑采用碘帕醇(370 mg I/mL，上海博萊科信誼藥業(yè)有限公司)60 mL，注射流率4 mL/s，對(duì)比劑注射完成后以相同流率追加注入40 mL生理鹽水。應(yīng)用對(duì)比劑智能追蹤技術(shù)觸發(fā)掃描，監(jiān)測(cè)點(diǎn)位于降主動(dòng)脈(膈肌平面)，觸發(fā)閾值設(shè)置為180 HU，達(dá)閾值延遲6 s后觸發(fā)掃描。所有心率大于70次/分的患者掃描前60分鐘口服倍他樂克25～50 mg，無(wú)硝酸甘油禁忌癥者于掃描前3 min舌下噴硝酸甘油0.5～1.0 mg。所有的患者掃描前嚴(yán)格訓(xùn)練呼吸。

②AI圖像優(yōu)化技術(shù)的原理及圖像后處理：將重建層厚1.0 mm、重建層間距0.5 mm的原始數(shù)據(jù)傳至東軟醫(yī)療AVW 1.0.8專業(yè)工作站進(jìn)行AI圖像優(yōu)化處理和心臟重建后處理。

AI圖像優(yōu)化處理的原理：利用生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)實(shí)現(xiàn)低劑量CT圖像的降噪過(guò)程。此技術(shù)以再生數(shù)據(jù)域通過(guò)常規(guī)劑量?jī)?yōu)質(zhì)圖像質(zhì)量CCTA增加高斯噪音的方式模擬低劑量高噪聲的圖像作為訓(xùn)練數(shù)據(jù)輸入，把對(duì)應(yīng)的相同組織結(jié)構(gòu)的常規(guī)劑量?jī)?yōu)質(zhì)圖像質(zhì)量的CCTA圖像作為學(xué)習(xí)對(duì)象，通過(guò)基于深層神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法得到定制化噪聲模型，即可精確地將噪聲與圖像分離。將待優(yōu)化目標(biāo)圖像即A組圖像載入此模型，得到優(yōu)化后B組低噪聲圖像。此過(guò)程中應(yīng)用生成對(duì)抗網(wǎng)絡(luò)及損失函數(shù)評(píng)價(jià)模型的預(yù)測(cè)值與真實(shí)值的不一致程度，從而選取最優(yōu)化模型。GAN是一種具有特定網(wǎng)絡(luò)結(jié)構(gòu)的CNN，它包含兩個(gè)CNN網(wǎng)絡(luò)，一個(gè)叫做生成網(wǎng)絡(luò)G(Generative Network)，另一個(gè)叫做判別網(wǎng)絡(luò)D(Discriminative Network)。在GAN訓(xùn)練過(guò)程中，G網(wǎng)絡(luò)與D網(wǎng)絡(luò)類似于一種博弈過(guò)程，在G和D不斷的博弈過(guò)程中，G網(wǎng)絡(luò)輸出的去噪結(jié)果越來(lái)越好，最終完成訓(xùn)練過(guò)程。在進(jìn)行圖像優(yōu)化過(guò)程中，只需要正向傳遞處理模型，不再需要耗時(shí)復(fù)雜的迭代計(jì)算，就可以快速準(zhǔn)確得到圖像處理結(jié)果，大數(shù)據(jù)訓(xùn)練得到的噪聲模型在對(duì)噪聲得到精確處理的同時(shí)，可以最大限度保留圖像的真實(shí)細(xì)節(jié)。

對(duì)A組和B組圖像進(jìn)行心臟后處理重建，重建圖像包括多平面重組(multi planer reconstruction，MPR)、最大密度投影(maximum intensity projection，MIP)、曲面重組(curved planar reconstruction，CPR)以及容積再現(xiàn)(volume rendering，VR)圖像。

3.圖像質(zhì)量分析

①客觀分析：采用原始橫軸面圖像，對(duì)A組及B組圖像的相同層面同時(shí)進(jìn)行測(cè)量，在主動(dòng)脈根部、左主干開口、左前降支中段、左回旋支中段及右冠狀動(dòng)脈中段選取不同的興趣區(qū)，保證興趣區(qū)盡可能大，但不包括血管壁、鈣化及斑塊。分別測(cè)量這些層面相應(yīng)血管的CT值，測(cè)量血管周圍脂肪組織的CT值，其CT值的標(biāo)準(zhǔn)差定義為圖像噪聲，并通過(guò)計(jì)算得到信噪比(signal to noise ratio，SNR)和對(duì)比噪聲比(contrast to noise ratio，CNR)。冠狀動(dòng)脈SNR、CNR計(jì)算公式[20]如下，SNR=各段血管的CT值/圖像噪聲；CNR=(各段血管CT值-血管周圍脂肪組織CT值)/圖像噪聲。

②主觀分析：采用美國(guó)心血管CT協(xié)會(huì)最新推薦的18分段標(biāo)準(zhǔn)改良分段法[21]，將冠狀動(dòng)脈分為18個(gè)節(jié)段，閉塞血管以遠(yuǎn)段及支架所在段不計(jì)入分析。采用冠狀動(dòng)脈圖像質(zhì)量Likert 4級(jí)評(píng)分法[22]，相應(yīng)評(píng)分為1～4分，分級(jí)標(biāo)準(zhǔn)為：1級(jí)，血管強(qiáng)化優(yōu)異，邊界清晰，無(wú)階梯樣偽影及血管中斷；2級(jí)，血管強(qiáng)化良好，邊界略模糊，有輕度偽影，節(jié)段略模糊；3級(jí)，血管強(qiáng)化一般，邊界模糊，有中度偽影，但沒有血管中斷；4級(jí)，血管顯示不清或有中斷，有嚴(yán)重的階梯樣偽影。將圖像質(zhì)量評(píng)為1～3級(jí)的血管定義為可評(píng)估血管，圖像質(zhì)量評(píng)為4級(jí)的血管評(píng)為不可評(píng)估的血管。由兩名工作經(jīng)驗(yàn)5年以上的影像科醫(yī)生不知道客觀分析結(jié)果的情況下對(duì)圖像進(jìn)行評(píng)估，評(píng)分不一致時(shí)，請(qǐng)第3名影像科專家對(duì)圖像質(zhì)量進(jìn)行分析，最后得出結(jié)論。

4.有效輻射劑量

通過(guò)CT掃描自動(dòng)計(jì)算得到CT劑量指數(shù)(CT dose index，CTDIvol), 劑量長(zhǎng)度乘積(dose length product，DLP)，有效劑量(effective dose，ED)=k×DLP(k=0.014 mSv/mGy·cm)[23]。

5.統(tǒng)計(jì)學(xué)分析

所有數(shù)據(jù)采用SPSS 20統(tǒng)計(jì)學(xué)軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。連續(xù)變量采用均值±標(biāo)準(zhǔn)差，分類變量用頻數(shù)表示。服從正態(tài)分布計(jì)量資料的組間比較采用配對(duì)t檢驗(yàn)，不服從正態(tài)分布計(jì)量資料的組間比較采用Wilcoxon秩和檢驗(yàn)。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.患者的基本信息

患者BMI為(29.31±3.19) kg/m2，CTDIvol為(10.6±0.9) mGy，DLP為(167.8±26.2) mGy·cm，ED為(2.3±0.4) mSv(表1)。

表1 患者的基本信息

圖1 男，54歲，BMI為32.49kg/m2。a～c是A組圖像，d～f是B組圖像。a) 冠狀動(dòng)脈MPR圖像，主動(dòng)脈根部的CT值為536.4 HU，噪聲為37.2 HU，SNR為14.42，CNR為16.06； b) 左前降支CPR圖像； c) 冠狀動(dòng)脈VR圖像； d) 冠狀動(dòng)脈MPR圖像，主動(dòng)脈根部的CT值為538.2 HU，噪聲為11.3 HU，SNR為47.63，CNR為52.48； e) 左前降支CPR圖像； f) 冠狀動(dòng)脈VR圖像。B組圖像的噪聲明顯低于A組，且圖像質(zhì)量客觀指標(biāo)(SNR、CNR)優(yōu)于A組。

2.冠狀動(dòng)脈圖像分析

A組和B組主動(dòng)脈根部CT值差異無(wú)統(tǒng)計(jì)學(xué)意義[(498.59±62.49)HU vs. (497.21±62.41)HU，t=0.083，P=0.934]。B組圖像主動(dòng)脈根部噪聲明顯低于A組圖像(9.50±2.27 vs. 30.04±8.51，t=16.537，P<0.001)，B組圖像主動(dòng)脈根部的SNR明顯優(yōu)于A組圖像(55.82±17.71 vs.18.47±7.67，t=-17.099，P<0.001)，另外B組圖像主動(dòng)脈根部的CNR也明顯優(yōu)于A組圖像(71.62±45.10 vs. 24.10±10.86，t=-6.938，P<0.001)，見圖2。其余客觀圖像質(zhì)量參數(shù)見表2。

表2 A組和B組冠狀動(dòng)脈客觀分析結(jié)果

注：AO為主動(dòng)脈根部；LM為左主動(dòng)脈；LAD為左前降支；LCX為左循環(huán)支；RCA為右冠狀動(dòng)脈。

A組和B組冠狀動(dòng)脈圖像主觀評(píng)分結(jié)果見表3。28名患者冠狀動(dòng)脈節(jié)段共有360個(gè)，A組和B組圖像可評(píng)估冠狀動(dòng)脈節(jié)段均為350個(gè)(97.22%)，但B組平均主觀圖像質(zhì)量評(píng)分明顯優(yōu)于A組圖像(1.66±0.27 vs. 1.82±0.20，t=5.224，P<0.001)。

表3 A組和B組冠狀動(dòng)脈圖像質(zhì)量主觀評(píng)分比較

討 論

本研究采用前瞻性步進(jìn)、100 kV管電壓、管電流調(diào)制等低劑量技術(shù)聯(lián)合Clearview+迭代重建及AI圖像優(yōu)化技術(shù)用于大體型患者冠狀動(dòng)脈CTA掃描。結(jié)果顯示，此方案可明顯降低大體型患者冠狀動(dòng)脈的圖像噪聲，改善冠狀動(dòng)脈的圖像質(zhì)量。同時(shí)，患者接受的有效輻射劑量?jī)H為(2.3±0.4) mSv。

CCTA作為疑似冠心病患者的首選影像學(xué)檢查方法廣泛應(yīng)用于臨床實(shí)踐，但是目前大部分CCTA的研究是基于正常體重的患者，大體型患者CCTA檢查一直存在挑戰(zhàn)，因?yàn)榇篌w型患者皮下增厚的軟組織會(huì)引起更多的光子衰減導(dǎo)致圖像噪聲的增加。同時(shí)，大體型患者因血液分布的變化會(huì)造成達(dá)峰時(shí)間血管乳化差，從而使血管內(nèi)對(duì)比劑顯影差。因此，CCTA掃描時(shí)，大體型患者的冠狀動(dòng)脈圖像質(zhì)量會(huì)降低[12,24]。為了彌補(bǔ)因患者高BMI導(dǎo)致的冠狀動(dòng)脈圖像質(zhì)量的降低，目前主要方法有增加管電壓等，研究表明使用上述方法雖然可以提高冠狀動(dòng)脈的圖像質(zhì)量，但同時(shí)也增加了患者接受的輻射劑量和降低了圖像的時(shí)間分辨率[11]。以前CCTA研究證實(shí)大體型患者接受的輻射劑量是15.6～22 mSv[11,25]。此研究患者BMI范圍26.12～36.20 kg/m2，輻射劑量?jī)H為(2.3±0.4) mSv。降低管電壓可以降低患者的輻射劑量，但降低管電壓會(huì)使得圖像質(zhì)量下降，比如噪聲增加，偽影增多等。通過(guò)改進(jìn)圖像重建算法來(lái)改善圖像質(zhì)量已成為新的研究方向。相比于傳統(tǒng)的濾波反投影算法，迭代重建算法作為一種新的重建方法，可以通過(guò)降低圖像噪聲提高圖像質(zhì)量[14,26]。Gebhard等[26]研究用64層探測(cè)器比較了70個(gè)大體型患者使用迭代重建和濾波反投影技術(shù)后的冠狀動(dòng)脈圖像質(zhì)量(每組35個(gè))。結(jié)果顯示，迭代重建算法可以明顯提高大體型患者冠狀動(dòng)脈圖像質(zhì)量。此研究通過(guò)將AI圖像優(yōu)化技術(shù)及迭代重建算法結(jié)合在一起評(píng)價(jià)大體型患者的冠狀動(dòng)脈圖像質(zhì)量。相比于迭代重建技術(shù)，AI圖像優(yōu)化技術(shù)本質(zhì)是用卷積神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)低劑量CT圖像的噪聲模型，進(jìn)而實(shí)現(xiàn)噪聲與圖像的分離，并保證在此過(guò)程中圖像細(xì)節(jié)不會(huì)明顯丟失，從而降低患者輻射劑量的同時(shí)，所得到的圖像依然能夠滿足臨床需求。與此同時(shí)，AI優(yōu)化避免了手動(dòng)設(shè)置經(jīng)驗(yàn)參數(shù)的過(guò)程，而是從數(shù)據(jù)中直接學(xué)習(xí)出最優(yōu)的參數(shù)，相比于迭代算法采用的通用型、經(jīng)驗(yàn)噪音模型，這種定制化噪聲模型往往會(huì)得到更好的結(jié)果[27]。此研究結(jié)果顯示：相比于單獨(dú)的迭代重建算法(A組)，利用AI圖像優(yōu)化技術(shù)聯(lián)合迭代重建(B組)主動(dòng)脈根部的噪聲降低68.36%，SNR和CNR分別提高了202.22%和197.18%，同時(shí)利用AI圖像優(yōu)化技術(shù)聯(lián)合迭代重建(B組)的主觀圖像質(zhì)量評(píng)分也優(yōu)于A組。此外，此AI圖像優(yōu)化技術(shù)彌補(bǔ)了迭代算法廠家專一性的缺陷[28]，直接對(duì)CT圖像域進(jìn)行去噪，解決了使用者難以直接獲取的CT掃描儀中間投影數(shù)據(jù)的問題[18]。

圖2 女，53歲，BMI為28.41 kg/m2。a～c是A組圖像，d～f是B組圖像。a) 冠狀動(dòng)脈MPR圖像，主動(dòng)脈根部的CT值為575.8 HU，噪聲為28 HU，SNR為20.56，CNR為23.80； b) 左前降支CPR圖像； c) 冠狀動(dòng)脈VR圖像； d) 冠狀動(dòng)脈MPR圖像，主動(dòng)脈根部的CT值為572.4 HU，噪聲為9.2 HU，SNR為62.22，CNR為71.67； e) 左前降支CPR圖像； f) 冠狀動(dòng)脈VR圖像。B組圖像的噪聲明顯低于A組，且圖像質(zhì)量客觀指標(biāo)(SNR、CNR)優(yōu)于A組。

隨著AI技術(shù)的發(fā)展，基于深度學(xué)習(xí)的AI目前已經(jīng)應(yīng)用于臨床各個(gè)階段，包括病灶檢測(cè)、病理診斷以及術(shù)后預(yù)測(cè)等[29-30]。在醫(yī)學(xué)影像方面的應(yīng)用也已經(jīng)從最成熟的腫瘤領(lǐng)域拓展到非腫瘤影像診斷[31]。在AI圖像優(yōu)化技術(shù)的同類研究中，Chen等[28]基于CNN的深度學(xué)習(xí)算法可以改善腹部的低劑量CT的圖像質(zhì)量。趙瑩等[16]研究得出深度學(xué)習(xí)的像素閃爍算法(pixel shine，PS)可提升高體質(zhì)質(zhì)量指數(shù)(BMI≥25 kg/m2)患者低劑量腹部CT平掃圖像質(zhì)量。PS同樣是一種基于深度學(xué)習(xí)的低劑量圖像改善的重建算法，將低劑量高噪音的圖像和相應(yīng)的高劑量低噪音進(jìn)行配對(duì)訓(xùn)練并學(xué)習(xí)其相關(guān)性。此類AI圖像優(yōu)化技術(shù)的研究都局限于2D軸位圖像重建[28]，不能滿足全方位觀察CT圖像的需求。王明等[27]研究證明東軟醫(yī)療自主研發(fā)研發(fā)的人工智能圖像優(yōu)化技術(shù)可以很好的觀察主動(dòng)脈三維后處理圖像，聯(lián)合ClearView+迭代算法，使“雙低”掃描可以獲得和常規(guī)掃描同樣的圖像質(zhì)量，并且有效地降低了輻射劑量和對(duì)比劑用量。此外，此AI圖像優(yōu)化技術(shù)應(yīng)用了最新的GAN深度學(xué)習(xí)模型，盡可能保證其優(yōu)化后圖像的真實(shí)性。Wolterink等[32]研究同樣證實(shí)GAN深度學(xué)習(xí)模型的對(duì)抗性反饋訓(xùn)練可以生成與常規(guī)劑量CT圖像質(zhì)量相當(dāng)冠狀動(dòng)脈CT鈣化積分圖像，并且所進(jìn)行的反饋訓(xùn)練阻止了圖像的平滑處理，允許在CT鈣化積分掃描中更精確地量化鈣化斑塊。

此研究亦存在一些不足之處，首先入組病例少，存在選擇偏倚。其次，缺乏和120 kV常規(guī)數(shù)據(jù)進(jìn)行對(duì)照。最后，本研究只分析了冠狀動(dòng)脈圖像質(zhì)量的主觀和客觀評(píng)價(jià)，沒有和有創(chuàng)冠狀動(dòng)脈造影“金標(biāo)準(zhǔn)”對(duì)照分析該技術(shù)的診斷準(zhǔn)確性，未來(lái)將進(jìn)一步擴(kuò)大樣本量，研究這項(xiàng)技術(shù)的診斷準(zhǔn)確性。

綜上所述，通過(guò)將AI圖像優(yōu)化技術(shù)及迭代重建算法相結(jié)合評(píng)價(jià)大體型患者冠狀動(dòng)脈的圖像質(zhì)量，結(jié)果顯示AI圖像優(yōu)化技術(shù)可以有效提高冠狀動(dòng)脈的圖像質(zhì)量，為大體型患者冠狀動(dòng)脈掃描提供了新思路及新方法。