深度學習CT圖像迭代重建及其用于兒童CT進展

李 蕊，崔 磊

(1.南通大學醫(yī)學院，江蘇 南通 226001；2.南通大學第二附屬醫(yī)院影像科，江蘇 南通 226001)

兒童對電離輻射的敏感性約為成人的2～3倍，CT掃描可增加兒童患白血病和腦腫瘤風險，且首次接受年齡越小，患病風險越高[1-2]。兒童CT檢查應遵循盡可能低輻射劑量原則，在低輻射劑量下最大限度保持或獲得更高圖像質量。

改善CT圖像質量的關鍵在于圖像重建。圖像重建技術起步于代數(shù)重建，發(fā)展到濾波反投影(filtered back projection，F(xiàn)BP)再到迭代重建(iterative reconstruction，IR)，后者進一步分為混合IR(hybrid IR，HIR)和基于模型的IR(model-based IR，MBIR)。目前常用IR主要有GE自適應統(tǒng)計IR(adaptive statistical IR veo，ASIR-V)、Phillips混合IR(iDose4)及Siemens基于原始數(shù)據(jù)IR[如正弦圖確定IR(sinogram affirmed IR,SAFIRE)和高級模擬IR(advanced modeled IR，ADMIRE)][3]等。隨著人工智能(artificial intelligence，AI)技術的發(fā)展，深度學習(deep learning，DL)IR可在大幅降低輻射劑量的同時保證圖像質量[4]。本文就DLIR及其在兒童CT圖像重建中的應用進展進行綜述。

1 AI原理及其在醫(yī)學影像中的應用

AI致力于開發(fā)計算機算法來完成與人類智能相關的任務，涵蓋各種領域和技術，包括機器學習、表征學習和DL[5]。DL為當前機器學習的研究方向之一，是表征學習的子領域，依賴于多個處理層學習多個抽象層數(shù)據(jù)，用于檢測層次結構中簡單的線條、邊緣、紋理、強度及復雜的形狀、病變、器官等特征。DL最初是利用深度神經(jīng)網(wǎng)絡解決特征表達的學習過程，而圖像卷積神經(jīng)網(wǎng)絡(convolutional neural network，CNN)是用于圖像檢測、分割和分類的人工神經(jīng)網(wǎng)絡，為深度監(jiān)督學習下的機器學習模型，廣泛用于醫(yī)學成像任務[6-7]。JING等[8]提出一種可用于大多數(shù)臨床場景的低劑量CT成像的自監(jiān)督降噪方法，與傳統(tǒng)降噪方法相比，其定性、定量效果更佳，圖像質量和空間分辨率更高。

AI在醫(yī)學影像分割、圖像重建和處理等方面均具有重要作用[9]。DLIR在頭部、胸部、腹盆部、四肢關節(jié)及血管造影等方面均有較好的圖像優(yōu)化效果，可根據(jù)臨床需求實現(xiàn)低輻射劑量、高圖像質量和高圖像處理速度[10]。

2 DLIR及其他CT重建技術

2.1 DLIR DLIR能用于高質量CT圖像訓練，可直接對原始數(shù)據(jù)(初始圖像)進行細化及深度網(wǎng)絡處理，以重建新的圖像。DL使用CNN采用高質量CT圖像進行訓練，并對臨床未標記的數(shù)據(jù)進行學習，自動計算識別特征，對圖片目標進行精確分類，以更好地區(qū)分噪聲與信號[11]。GREFFIER等[12]的體模研究結果顯示，DLIR可在不改變紋理噪聲的前提下減少偽影、提高空間分辨率和病變的檢出能力，劑量優(yōu)化潛能較單純IR更高。DLIR的圖像質量、劑量優(yōu)化均優(yōu)于MBIR，其重建速度是MBIR的12倍[13]。按照重建強度等級可將GE的DLIR分為DLIR-L(低強度)、DLIR-M(中等強度)和DLIR-H(高強度)，可根據(jù)不同需求進行調整和設計，以降低輻射劑量和采集次數(shù)、加快重建速度、減少噪聲，優(yōu)化圖像質量[14-15]。

2.2 其他CT重建技術

2.2.1 FBP FBP是一種在傅里葉變換基礎上的空域處理技術，重建過程中，對線陣探測器獲得的投影數(shù)據(jù)進行一次傅里葉變換，對各角度投影進行卷積處理，得到各方向卷積濾波后的投影數(shù)據(jù)，再沿各方向進行反投影，最終將所有反投影進行疊加而獲得重建圖像[16]；其優(yōu)點在于重建速度快，缺點則為降低輻射劑量將增加噪聲，導致低信噪比(signal-to-noise ratio，SNR)和低對比噪聲比(contrast-to-noise ratio，CNR)，可能影響診斷結果[14]。

2.2.2 HIR HIR是根據(jù)實時采集的探測器數(shù)據(jù)對圖像進行迭代優(yōu)化，首先以FBP重建投影數(shù)據(jù)，將獲得的圖像數(shù)據(jù)與基于光子、電子的噪聲模型進行比較，以去除噪聲、減少圖像偽影；得到校正后圖像后，通過正投影更新原始投影數(shù)據(jù)并用于IR，以減少圖像噪聲。HIR只需進行一次反投影即可完成重建，重建速度快[10]，但因過分依賴于物理模型致空間分辨率下降，掃描劑量降低亦可降低圖像質量[17]。

2.2.3 MBIR MBIR不以反投影作為重建基礎，而是根據(jù)物質的物理屬性、幾何學知識等多種模型，從圖像的正向投影開始，對預測圖像進行迭代優(yōu)化[18]。ATRI等[19]發(fā)現(xiàn)，在兒童CT檢查中使用MBIR可大幅降低輻射劑量、提高空間分辨率。但MBIR計算量過大，重建過程需數(shù)分鐘甚至數(shù)十分鐘，不適用臨床尤其急診；且劑量過低時，圖像可出現(xiàn)齒狀、階梯狀偽影或呈現(xiàn)塑膠感[3,10]。

3 DLIR在兒童CT中的應用

3.1 頭部CT SUN等[20]采用256排GE Revolution CT對50例頭部外傷、驚厥或其他精神疾病的兒童患者進行頭部掃描，分別以FBP、重建權重50%的ASIR-V、重建權重100%的ASIR-V和DLIR-H進行圖像重建，以觀察DLIR用于急診兒童頭部CT圖像重建的效能。低劑量條件下，F(xiàn)BP圖像噪聲大，不能滿足診斷需要；ASIR-V雖符合診斷需求，但存在不同程度偽影；而DLIR-H圖像質量良好，顯示腦溝、腦池清晰，白質、灰質分界清晰。ALAGIC等[21-22]報道，DLIR可減少顱中窩、顱后窩等射線硬化偽影，改善噪聲、SNR及CNR，清晰顯示兒童頭部病變，如腦血管性病變、腦創(chuàng)傷及腦疝等，顯著降低輻射劑量，且圖像質量較高。

3.2 胸部CT TSCHAUNRE等[23]采用GE Revolution 256排螺旋CT行兒童胸部掃描，在適當選擇重建算法的前提下，可在有效輻射劑量為0.1～0.3 mSV時獲得高質量圖像。YOON等[24]對51例胸腹疾病患兒行胸部CT平掃、胸腹部增強CT掃描，對比觀察重建權重50% ASIR-V、重建權重100% ASIR-V、DLIR-M和DLIR-H重建圖像的噪聲、CNR、SNR、偽影及圖像整體質量，發(fā)現(xiàn)其去除偽影差異無統(tǒng)計學意義，而DLIR在其他方面表現(xiàn)更優(yōu)。DLIR可克服FBP、IR的缺點，不僅能降低噪聲、減少偽影，更能在低劑量前提下清晰顯示兒童胸部組織結構，獲得高質量圖像[4]。

3.3 腹部CT 腹部臟器眾多，且缺乏天然對比；AI在兒科腹部成像中發(fā)揮重要作用[25]。THAPALIYA等[26]采用Canon Aquilion ONE Genesis CT儀對14例疑診尿路結石兒童行尿道CT檢查，以DLIR算法AiCE重建圖像，結果顯示DLIR可減少圖像噪聲、提高SNR和CNR，改善圖像質量，在降低輻射劑量的同時提高尿路小結石檢出率。LEE等[27]利用128排Siemens雙源CT掃描儀，將腹部低碘濃度雙能技術與基于DLIR的降噪技術相結合，并與IR相對比，發(fā)現(xiàn)雙能CT結合DLIR可在保持圖像質量的同時降低輻射劑量。綜上，DLIR可減輕偽影對圖像質量造成的影響并減少失真，獲得更高的SNR和CNR，以更好地顯示腹部臟器及其病變。

3.4 四肢關節(jié)CT DLIR廣泛用于四肢關節(jié)CT重建，對定位脊柱、四肢關節(jié)損傷部位，尤其椎體損傷具有顯著優(yōu)勢[28-29]。CT三維重建顯示脊柱或骨損傷對圖像質量要求高，需行高劑量掃描。與其他重建技術相比，DLIR的輻射劑量、噪聲均有明顯降低，顯示骨骼結構更佳[10,30]。對于易發(fā)生四肢關節(jié)損傷的兒童而言，DLIR是重建低劑量CT圖像的較好方法。

3.5 CT血管造影 對血管性疾病患兒常需要進行胸部CT血管造影或冠狀動脈造影等檢查。FBP、HIR可降低CT血管造影圖像噪聲，但圖像空間分辨率亦隨之下降；MBIR雖可彌補FBP、HIR的上述不足，但低劑量掃描影響血管顯影效果[31]。利用DLIR能有效規(guī)避上述問題，且重建時間短，用于血管性疾病具有較高的敏感性和特異性[32-34]。SUN等[33]進行前瞻性對照研究，對研究組46例血管性疾病患兒行70 kVp、0.8～1.2 ml/kg體質量碘對比劑的胸部CT血管造影并以DLIR重建圖像，對照組46例接受100 kVp、1.3～1.8 ml/kg體質量碘對比劑胸部CT血管造影及IR重建，結果顯示研究組圖像用于定性、定量診斷的效果更好，且噪聲、輻射劑量和對比劑劑量均有所降低。

4 小結與展望

兒童是易受輻射損傷的高危群體，亦為CT低劑量掃描的重點人群。DLIR重建可縮短重建CT圖像時間，減少圖像噪聲和偽影，提高圖像空間分辨率，以更低的輻射劑量獲得更高的圖像質量。盡管基于AI圖像重建顯示出良好的發(fā)展趨勢，但仍有不足。首先DLIR對圖像質量的影響及其降低輻射劑量的潛力尚待充分研究[4]；其次，AI需要專門開發(fā)相關軟件或算法，而各公司設備掃描條件不同，使相關研究缺乏外部驗證，算法的透明性及通用性不足。另外，目前基于AI重建的研究人群及病種相對有限，需額外驗證基于AI的重建圖像用于預測、分類及診斷疾病的價值[25]。相信隨著技術的進步，AI上述不足將逐漸得到彌補，為重建圖像、尤其兒童低劑量CT圖像提供更好的支持。