超低劑量胸部CT不同重建算法對(duì)肺炎定量及圖像質(zhì)量的影響

摘要：目的 "探討胸部超低劑量CT掃描條件下濾波反投影、自適應(yīng)統(tǒng)計(jì)迭代重建、深度學(xué)習(xí)圖像重建（DLIR）等不同重建算法對(duì)人工智能影像輔助肺炎定量分析（uAI-Discover-NCP）和圖像質(zhì)量的影響。方法 "納入陜西中醫(yī)藥大學(xué)附屬醫(yī)院2023年7月～2023年12月就診的43例肺炎復(fù)查患者，采用個(gè)性化超低劑量CT掃描，原始數(shù)據(jù)分別采用濾波反投影、40%強(qiáng)度的自適應(yīng)統(tǒng)計(jì)迭代重建、不同強(qiáng)度DLIR（DLIR-M、DLIR-H）、在DLIR-H處理上疊加E2的邊緣強(qiáng)化（DLIR-H+E2）重建圖像，共獲得5組圖像。測(cè)量5組圖像空氣、肺組織、胸主動(dòng)脈、左肩胛下肌、胸10椎體的CT值、噪聲值，計(jì)算信噪比。2位醫(yī)師對(duì)5組圖像肺整體質(zhì)量及肺炎顯示進(jìn)行5分制主觀評(píng)分。將圖像導(dǎo)入CT影像輔助肺炎定量分析軟件進(jìn)行獨(dú)立分析，記錄肺炎指數(shù)、肺炎體積及肺炎體積百分比、肺炎質(zhì)量及肺炎質(zhì)量百分比。采用重復(fù)測(cè)量方差分析或Friedman秩和檢驗(yàn)比較各組定量參數(shù)及主觀評(píng)分的差異。結(jié)果 "5組圖像在肺實(shí)質(zhì)、胸主動(dòng)脈、左肩胛下肌、胸10椎體組織CT值差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；而各組織噪聲及信噪比的總體差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.05），其中DLIR-H組的圖像噪聲最低、信噪比最高，與其他4組相比，差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。2位醫(yī)師對(duì)各組圖像的主觀評(píng)分一致性高（Kappa=0.811～0.894），5組圖像的整體圖像質(zhì)量、肺炎顯示評(píng)分總體差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001），DLIR-H與DLIR-H+E2組整體圖像質(zhì)量、肺炎顯示主觀評(píng)分最高，組間差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。5個(gè)肺炎定量參數(shù)（肺炎指數(shù)、肺炎體積及肺炎體積百分比、肺炎質(zhì)量及肺炎質(zhì)量百分比）組間總體差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。結(jié)論 "超低劑量掃描條件下，影像輔助肺炎定量分析結(jié)果不受重建算法的影響。與濾波反投影、自適應(yīng)統(tǒng)計(jì)迭代重建40%相比，高強(qiáng)度深度學(xué)習(xí)圖像重建能顯著降低圖像噪聲、明顯提升圖像質(zhì)量，在臨床診斷有較大的優(yōu)勢(shì)。

關(guān)鍵詞：深度學(xué)習(xí)圖像重建；圖像質(zhì)量；肺炎；人工智能；體層攝影術(shù)

Effect of different reconstruction algorithms for ultra-low dose chest CT on quantitative detection of pneumonia and image quality

CHEN Weiting1， MA Guangming2， HE Liyu3， YANG Lu3， JIN Chenwang1， 3

1School of Medical Technology， Shaanxi University of Chinese Medicine， Xianyang 712046， China; 2Department of Medical Imaging， Affiliated Hospital of Shaanxi University of Chinese Medicine， Xianyang 712000， China; 3Department of Medical Imaging， the First Affiliated Hospital of Xi'an Jiaotong University， Xi'an 710000， China

Abstract： Objective To investigate the effect of different image reconstruction algorithms， including filtered back projection， adaptive statistical iterative reconstruction V and deep learning image reconstruction （DLIR） on AI-assisted quantitative analysis of pneumonia （uAI-Discover-NCP） and image quality under ultra-low dose chest CT scanning conditions. Methods Fourty-three patients undergoing follow-up for pneumonia from July to December 2023 at the Affiliated Hospital of Shaanxi University of Chinese Medicine were included in this study. Each patient underwent personalized ultra-low dose CT scanning. The raw data were reconstructed using filtered back projection， 40% intensity adaptive statistical iterative reconstruction V， various intensities of DLIR （DLIR-M， DLIR-H）， and DLIR-H with additional E2 edge enhancement （DLIR-H+E2）， resulting in five groups of images. Measurements were taken for CT values and noise values in the ROIs-air， lung tissue， thoracic aorta， left subscapularis muscle， and thoracic vertebra 10. The signal-to-noise ratio was calculated. Two physicians subjectively rated the overall quality and pneumonia presentation of the five groups of images on a 5-point scale. The images were independently analyzed using CT image-assisted pneumonia quantitative analysis software， recording pneumonia index， pneumonia volume and its percentage， and pneumonia quality and its percentage. Repeated measures ANOVA or Friedman's rank-sum test were used to compare quantitative parameters and subjective scores among groups. Results There was no significant difference in CT values of the lung parenchyma， thoracic aorta， left subscapularis muscle， and thoracic vertebra 10 across the five image groups （Pgt;0.05）. However， differences in noise values and signal-to-noise ratio among tissues were statistically significant （Plt;0.05）， with the DLIR-H group demonstrating the lowest image noise and highest signal-to-noise ratio， significantly outperforming the others four groups （Plt;0.05）. The consistency of subjective scoring by the two physicians was high （Kappa=0.811-0.894）. There was a significant difference in overall image quality and pneumonia presentation scores across the five groups （Plt;0.001）， with the highest scores in the DLIR-H and DLIR-H+E2 groups， although the difference between these groups was not significant （Pgt;0.05）. There was no significant difference in the overall variation of the five pneumonia quantitative parameters among the groups （Pgt;0.05）. Conclusion Under ultra?low dose scanning conditions， AI?assisted quantitative analysis of pneumonia is not affected by the reconstruction algorithm. Compared to filtered back projection and 40% adaptive statistical iterative reconstruction V， high-intensity DLIR significantly reduces image noise and noticeably improves image quality， offering substantial clinical diagnostic advantages.

Keywords： deep learning image reconstruction; image quality; pneumonia; artificial intelligence; body lever photography

胸部 CT 是肺炎診斷和評(píng)估的重要影像手段［1-2］ ，常規(guī)CT掃描伴隨著較高的輻射劑量，需行多次掃描隨訪的患者累積輻射劑量不容忽視。電離輻射已被證實(shí)會(huì)損傷人體組織并改變DNA結(jié)構(gòu)，長(zhǎng)期或頻繁暴露會(huì)增加患者患癌風(fēng)險(xiǎn)［3］ 。超低劑量CT（ULDCT）掃描技術(shù)被引入臨床實(shí)踐，以最小化輻射暴露。隨著人工智能技術(shù)在醫(yī)學(xué)影像領(lǐng)域的快速發(fā)展，肺炎定量分析在肺炎診療中嶄露頭角［4-6］ 。但ULDCT所產(chǎn)生的圖像質(zhì)量問(wèn)題，特別是圖像噪聲和偽影的增加，對(duì)肺炎的精確診斷和定量分析構(gòu)成了挑戰(zhàn)。圖像重建算法的選擇和優(yōu)化是提高ULDCT圖像質(zhì)量的關(guān)鍵手段，自適應(yīng)統(tǒng)計(jì)迭代重建（ASIR-V）較傳統(tǒng)的濾波反投影（FBP）算法能達(dá)到更低的劑量，但高權(quán)重重建會(huì)改變圖像紋理；而最新的深度學(xué)習(xí)圖像重建（DLIR）算法在降低ULDCT圖像噪聲和提高圖像質(zhì)量方面取得了顯著進(jìn)展［7-12］ 。但ULDCT掃描條件應(yīng)用于肺炎患者的臨床研究較少，不同圖像重建技術(shù)對(duì)肺炎定量分析的影響相關(guān)研究鮮見(jiàn)報(bào)道。本研究通過(guò)評(píng)估個(gè)性化ULDCT條件下FBP、ASIR-V、DLIR等不同圖像重建算法對(duì)肺炎定量分析工具性能及圖像質(zhì)量的影響，旨在提出一種綜合考慮圖像質(zhì)量和輻射劑量的肺炎診斷優(yōu)化策略。

1 "資料與方法

1.1 "一般資料

回顧性分析2023年7月～2023年12月于陜西中醫(yī)藥大學(xué)附屬醫(yī)院就診的臨床主要表現(xiàn)為發(fā)熱、咳嗽的80例患者。納入標(biāo)準(zhǔn)：體質(zhì)量及身高資料完整；因肺部感染性病變復(fù)查需再次接受胸部CT檢查者。排除標(biāo)準(zhǔn)：患者屏氣配合差，運(yùn)動(dòng)偽影嚴(yán)重；既往胸部手術(shù)史，胸部或脊柱內(nèi)置有金屬植入物；彌漫性肺部病變；胸廓畸形；圖像重建不全，數(shù)據(jù)處理結(jié)果不全；復(fù)查影像結(jié)果顯示肺炎病灶已完全吸收或病灶呈纖維化。本研究經(jīng)陜西中醫(yī)藥大學(xué)附屬醫(yī)院倫理委員會(huì)批準(zhǔn)（SZFYIEC-YJ-KYBC-2023年第[07]號(hào)），免除患者知情同意。最終納入43例受試者，其中男24例，女19例；年齡32～83歲，中位年齡69歲，BMI 12.86～30.00（22.75±4.11）kg/m2，有效輻射劑量（ED）0.26±0.16 mSv。病毒性肺炎17例，細(xì)菌性肺炎15例，支原體肺炎11例。所有患者CT表現(xiàn)呈多個(gè)肺葉受累。

1.2 "掃描及重建方案

掃描設(shè)備使用GE Revolution Apex CT 256排螺旋CT機(jī)。掃描前對(duì)受檢者行深吸氣末屏氣訓(xùn)練。受檢者仰臥平躺，雙手上舉抱頭，掃描范圍涵蓋整個(gè)肺組織。個(gè)性化掃描參數(shù)：將受試者分為體質(zhì)量正常或低體質(zhì)量者（BMIlt;24）、超重者（24≤BMIlt;28）、肥胖者（BMI≥28）［13］ ，分別采用管電流10、20、35 mA，其余參數(shù)相同，均采用固定管電壓120 kVp，轉(zhuǎn)速為0.5 s/轉(zhuǎn)，掃描層厚5 mm，層間距5 mm。

重建方案：原始數(shù)據(jù)分別采用FBP、40%強(qiáng)度的ASIR-V、中等強(qiáng)度DLIR（DLIR-M）、高等強(qiáng)度DLIR（DLIR-H）及在DLIR-H基礎(chǔ)上疊加E2的邊緣強(qiáng)化效果（DLIR-H+E2）重建圖像，重建層厚0.625 mm，層間隔0.625 mm，采用標(biāo)準(zhǔn)卷積核，圖像的窗寬和窗位設(shè)為1200 Hu、-600 Hu，共獲得5組圖像，分別為FBP組、ASIR-V40%組、DLIR-M組、DLIR-H組以及DLIR-H+E2組，將5組圖像上傳至AW工作站及人工智能CT影像輔助肺炎分析軟件中進(jìn)行下一步分析。

掃描結(jié)束后從劑量報(bào)告中獲取受試者的劑量長(zhǎng)度乘積（DLP），并計(jì)算ED，ED=DLP×0.014 mSv·mGy-1·cm-1［14］ 。

1.3 "圖像質(zhì)量客觀評(píng)價(jià)

由3位具有2年以上工作經(jīng)驗(yàn)的影像診斷醫(yī)師使用GE AW 4.7后處理工作站分別對(duì)5組圖像進(jìn)行客觀分析。具體方法：在肺組織（左肺上葉外帶，避開(kāi)血管）、空氣（胸骨角前）、胸主動(dòng)脈（降主動(dòng)脈中心，避開(kāi)管壁）、肌肉（左肩胛下?。?、胸10椎體（位于椎體中心，避開(kāi)骨皮質(zhì)）勾畫(huà)感興趣區(qū)（50～100 mm2），測(cè)量時(shí)采用復(fù)制粘貼的方法，保持同一受試者的同一組織感興趣區(qū)位置、大小、面積一致，記錄各感興趣區(qū)CT值、標(biāo)準(zhǔn)差（SD）。對(duì)3位醫(yī)師所測(cè)的各組織感興趣區(qū)CT、SD值取平均值，并記作該組織的CT值和噪聲值。以空氣噪聲作為背景噪聲計(jì)算各組織的信噪比（SNR），SNR感興趣區(qū)=CT感興趣區(qū)/SD空氣。

1.4 " 圖像質(zhì)量主觀評(píng)分

評(píng)分前隱藏圖像上患者的個(gè)人信息、掃描技術(shù)及重建方法，隨機(jī)呈現(xiàn)不同患者不同組的圖像。2名具有10年以上工作經(jīng)驗(yàn)的高年資影像診斷醫(yī)師在工作站上獨(dú)立閱片，如有分歧，由第3名高年資主任醫(yī)師確定最終評(píng)分。采用Likert 5分制［15］ 制定評(píng)分標(biāo)準(zhǔn)，評(píng)估內(nèi)容分為兩個(gè)部分：肺部整體圖像質(zhì)量和肺炎顯示。肺部整體圖像質(zhì)量評(píng)分標(biāo)準(zhǔn)為：1分，圖像質(zhì)量差，解剖結(jié)構(gòu)顯示不清，噪聲嚴(yán)重；2 分，圖像質(zhì)量較差，結(jié)構(gòu)解剖辨識(shí)困難，噪聲大；3 分，圖像質(zhì)量一般，解剖結(jié)構(gòu)部分欠清晰，噪聲適中；4分，圖像質(zhì)量良好，解剖結(jié)構(gòu)較清晰，噪聲輕微；5 分，圖像質(zhì)量?jī)?yōu)，解剖結(jié)構(gòu)清晰，無(wú)明顯噪聲。肺炎顯示具體評(píng)分標(biāo)準(zhǔn)（表1）。

1.5 "CT肺炎定量分析

使用人工智能影像輔助肺炎分析軟件（uAI-Discover-NCP）對(duì)5組圖像肺炎病灶區(qū)域進(jìn)行分割處理（圖1），軟件將自動(dòng)識(shí)別全肺的肺炎病變區(qū)域，由2位具有5年以上胸部影像診斷經(jīng)驗(yàn)的診斷醫(yī)師共同對(duì)軟件自動(dòng)識(shí)別的肺炎感染區(qū)域進(jìn)行審核，有異議處經(jīng)過(guò)協(xié)商達(dá)成一致后對(duì)勾畫(huà)不準(zhǔn)確處進(jìn)行手動(dòng)修正。記錄肺炎指數(shù)（PI）、全肺肺炎體積（TLeV）及占全肺體積的百分比（TLeV%）、肺炎質(zhì)量（LQ）及占全肺體積的百分比（LQ%）。

1.6 "統(tǒng)計(jì)學(xué)分析

采用SPSS 26.0進(jìn)行統(tǒng)計(jì)學(xué)分析。計(jì)量資料行正態(tài)性Shapiro-Wilk檢驗(yàn)，符合正態(tài)分布的計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差表示，符合方差齊性檢驗(yàn)，多組間比較采用重復(fù)測(cè)量方差分析，組間兩兩比較采用LSD檢驗(yàn)；非正態(tài)分布的計(jì)量資料采用中位數(shù)（四分位間距）表示，多組間比較采用多相關(guān)樣本Friedman秩和檢驗(yàn)，兩兩比較采用兩配對(duì)樣本W(wǎng)ilcoxon 符號(hào)秩檢驗(yàn)。等級(jí)資料比較采用卡方檢驗(yàn)，采用Kappa檢驗(yàn)分析2位醫(yī)師主觀評(píng)價(jià)圖像質(zhì)量的一致性，Kappa值0.81～1.00為一致性高，0.61～0.80為一致性較好，0.41～0.60為一致性中等，lt;0.40為一致性較差。 以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 "結(jié)果

2.1 "圖像質(zhì)量分析

2.1.1 "圖像質(zhì)量客觀評(píng)價(jià) " 基于FBP、ASIR-V40%、DLIR-M、DLIR-H、DLIR-H+E2算法重建所得的5組圖像在肺組織、胸主動(dòng)脈、肩胛下肌、胸10椎體CT值差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；空氣CT值組間總體差異具有統(tǒng)計(jì)學(xué)意義（F=46.939，Plt;0.001），DLIR-H+E2組的空氣密度平均值最低為-998.16 Hu，DLIR-M組的空氣密度平均值最高為-996.69 Hu，兩組平均值差為1.47 Hu（表2）。

5組圖像肺組織、空氣、胸主動(dòng)脈、肩胛下肌、胸10椎體SD的總體差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001）；組間兩兩比較顯示，DLIR-M組與DLIR-H+E2組空氣及胸椎SD值差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05），其余組間SD值差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.01）。5組圖像肺組織、胸主動(dòng)脈、肩胛下肌、胸10椎體SNR的總體差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.001），組間兩兩比較顯示，DLIR-M組與DLIR-H+E2組肺組織、胸主動(dòng)脈、肩胛下肌、胸10椎體SNR差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05），其余組間SNR值差異均有統(tǒng)計(jì)學(xué)意義（Plt;0.01，表2）。DLIR-H組各組織的圖像噪聲SD最低、SNR最高，相較于FBP組、ASIR-V40%組、DLIR-M組、DLIR-H+E2組，DLIR-H組肺組織SD分別降低了29.65%、16.28%、8.50%、21.25%，SNR分別升高了70.02%、42.95%、29.95%、32.75%；胸主動(dòng)脈SD分別降低了63.26%、51.81%、30.48%、20.97%，SNR分別升高了71.90%、41.40%、30.85%、32.83%；左肩胛下肌SD分別降低了61.41%、49.72%、39.82%、21.10%，SNR分別升高了73.16%、43.67%、28.52%、32.13%；胸10椎體SD分別降低了39.03%、33.41%、18.73%、16.01%，SNR分別升高了69.59%、37.02%、25.71%、27.95%（圖2）。

2.1.2 "圖像質(zhì)量主觀評(píng)分 " 2位資深的診斷醫(yī)師對(duì)各組圖像的主觀評(píng)分一致性高（Kappa=0.811～0.894）。在整體圖像質(zhì)量、肺炎顯示評(píng)分上，5組圖像總體差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001）。DLIR-H組與DLIR-H+E2組肺整體圖像質(zhì)量、肺炎病灶顯示主觀評(píng)分差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05），均高于其余3組（FBP組、ASIR-V40%組、DLIR-M組）（Plt;0.001）。ASIR-V40%組與DLIR-M組在肺整體圖像質(zhì)量、肺炎病灶顯示主觀評(píng)分的差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。FBP組在整體圖像質(zhì)量、肺炎顯示評(píng)分最低，與ASIR-V40%組、DLIR-M組間差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05，表2）。

2.2 "肺炎定量CT參數(shù)

不同算法所得的5組圖像肺炎指數(shù)、全肺肺炎體積及占全肺體積的百分比、肺炎質(zhì)量及占全肺體積的百分比等5個(gè)肺炎定量參數(shù)總體差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表3）。

3 "討論

本研究在個(gè)性化胸部ULDCT條件下首次評(píng)估了不同圖像重建算法（FBP、ASIR-V、DLIR）對(duì)肺炎定量分析及圖像質(zhì)量的影響。結(jié)果表明，在ULDCT條件下，AI輔助肺炎定量分析并不受重建算法的影響，能提供較一致的肺炎定量結(jié)果。采用DLIR技術(shù)，尤其是DLIR-H圖像重建，在主觀和客觀圖像質(zhì)量方面表現(xiàn)突出，突顯了其在降低輻射劑量和提高圖像質(zhì)量方面的重要價(jià)值，為超低劑量掃描模式下的應(yīng)用價(jià)值提供了寶貴經(jīng)驗(yàn)。這一發(fā)現(xiàn)旨在臨床實(shí)踐中實(shí)現(xiàn)更安全、更準(zhǔn)確的肺炎數(shù)字化管理，極大降低患者所受輻射劑量，為患者提供更優(yōu)質(zhì)的醫(yī)療服務(wù)。

ULDCT掃描技術(shù)的有效應(yīng)用極大依賴(lài)于圖像重建算法的進(jìn)步，臨床實(shí)踐主要采用以下3種CT圖像重建算法：FBP、ASIR-V以及DLIR，它們對(duì)ULDCT圖像質(zhì)量的提升有著不同程度的影響。傳統(tǒng)FBP算法直接將采集到的X射線投影數(shù)據(jù)進(jìn)行反變換重建，沒(méi)有針對(duì)低劑量下信噪比低的情況進(jìn)行特別的處理或優(yōu)化，在ULDCT掃描下有著較大的局限性，其未能有效抑制圖像噪聲、去除圖像偽影，重建圖像質(zhì)量差。與之相比，ASIR-V作為迭代重建技術(shù)的代表，能夠在一定程度上通過(guò)迭代過(guò)程改善圖像質(zhì)量，減少噪聲和偽影。然而，高權(quán)重ASIR-V在處理圖像時(shí)過(guò)度平滑，會(huì)使重要的圖像細(xì)節(jié)喪失，這種過(guò)度平滑還可能造成蠟像偽影，影響醫(yī)師的診斷能力［8］ 。而DLIR算法則展現(xiàn)了其顯著的優(yōu)勢(shì)，深度學(xué)習(xí)模型強(qiáng)大的特征學(xué)習(xí)能力使其在去除低劑量圖像噪聲的同時(shí)，能夠保留關(guān)鍵的解剖及病變細(xì)節(jié)、邊緣信息，顯著提高圖像質(zhì)量，特別是在ULDCT條件下。相較于FBP和ASIR-V，DLIR算法提供了一種降低患者輻射劑量并優(yōu)化圖像質(zhì)量的有效途徑，已在體模及臨床中得到廣泛研究［16-18］ 。

本研究結(jié)果顯示，各組織CT值僅在空氣中存在差異，組間平均值差異在2 Hu以?xún)?nèi)，這種細(xì)微的CT值波動(dòng)，對(duì)影像診斷的影響是微不足道的，這可能源于有限的受試者數(shù)量及測(cè)量誤差，而非圖像重建算法本身導(dǎo)致的圖像失真。在圖像噪聲和信噪比方面，DLIR技術(shù)，特別是DLIR-H算法，相較于FBP和ASIR-V算法表現(xiàn)出更低的噪聲水平和更高的信噪比，進(jìn)一步證實(shí)了DLIR-H算法在降噪能力上的優(yōu)勢(shì)。本研究還著重考察了不同重建圖像在圖像主觀評(píng)分上的差異，肺炎病灶內(nèi)外部征象的清晰辨識(shí)有助于影像醫(yī)師對(duì)肺炎進(jìn)行分型，判斷病灶吸收情況等［9］ 。研究結(jié)果發(fā)現(xiàn)DLIR-H及DLIR-H+E2組在肺部圖像質(zhì)量和肺炎病灶顯示的主觀評(píng)分上較其他算法表現(xiàn)更佳，但兩種算法間并無(wú)統(tǒng)計(jì)學(xué)差異，使用邊緣增強(qiáng)濾波器對(duì)DLIR-H重建圖像進(jìn)行后處理即DLIR-H+E2組，SNR略低，產(chǎn)生了更高的圖像噪聲，與DLIR-M的噪聲相當(dāng)，相較于DLIR-H組略微提高了空間分辨率，但并不影響主觀圖像質(zhì)量，與既往研究［19］ 結(jié)論相似。在ULDCT條件下，DLIR-H算法不僅能夠提供更低噪聲的圖像，還能保持圖像的高分辨率和最佳的病變辨識(shí)能力，對(duì)于肺炎疾病的精確診斷至關(guān)重要。

肺炎病情的嚴(yán)重程度及進(jìn)展多依賴(lài)于醫(yī)師的視覺(jué)評(píng)估，其主觀經(jīng)驗(yàn)影響較大，缺乏統(tǒng)一的評(píng)估標(biāo)準(zhǔn)，可能導(dǎo)致診斷結(jié)果存在偏差。相較之下，AI輔助的肺炎定量工具提供了一種客觀可視化的病變?cè)u(píng)估方法，能夠準(zhǔn)確反映病情的嚴(yán)重程度和發(fā)展趨勢(shì)，為臨床診療決策提供有力依據(jù)［6］ 。既往研究表明，AI定量分析在肺炎診斷及預(yù)后評(píng)估的效能、穩(wěn)定性及可重復(fù)性方面均優(yōu)于傳統(tǒng)視覺(jué)評(píng)估［20］ 。本研究發(fā)現(xiàn)在ULDCT掃描條件下，不同的圖像重建算法對(duì)肺炎的定量分析具有一致性，這種一致性降低了肺炎定量工具對(duì)特定重建算法的依賴(lài)，為臨床醫(yī)生提供了更大的靈活性，使他們能夠根據(jù)可用設(shè)備和具體臨床情況選擇合適的掃描及圖像重建技術(shù)，在資源有限的環(huán)境中實(shí)施高質(zhì)量的患者護(hù)理。此外，定期的影像評(píng)估對(duì)于監(jiān)控病情進(jìn)展、評(píng)估治療效果和及時(shí)調(diào)整治療策略極為關(guān)鍵，一致的定量結(jié)果保證了當(dāng)前與既往影像定量數(shù)據(jù)的可比性，而不必?fù)?dān)心由于采用不同的圖像重建技術(shù)而可能產(chǎn)生的結(jié)果差異，提高了臨床決策的準(zhǔn)確性。

本研究的局限性：僅使用單中心同一CT掃描設(shè)備，未來(lái)我們將進(jìn)一步擴(kuò)大樣本量，在多中心，使用不同品牌和型號(hào)的CT設(shè)備開(kāi)展研究，以評(píng)估不同圖像重建算法在更多類(lèi)型設(shè)備條件下的表現(xiàn)，加強(qiáng)研究結(jié)果的普適性和穩(wěn)健性；未針對(duì)肺炎征象進(jìn)行細(xì)化評(píng)分，我們后續(xù)將對(duì)肺炎征象進(jìn)行更詳細(xì)的分類(lèi)和評(píng)分，以深化不同算法在疾病細(xì)微差異方面的識(shí)別能力；不同BMI患者未進(jìn)行亞組分層的圖像質(zhì)量主觀、客觀分析，對(duì)不同BMI患者個(gè)性化掃描方案進(jìn)行優(yōu)化也是我們下一階段的研究計(jì)劃。

綜上所述，在ULDCT掃描條件下，肺炎定量分析并未受到重建算法的影響。與FBP和ASIR-V算法相比， DLIR技術(shù)在降低圖像噪聲和提升圖像整體質(zhì)量方面有顯著優(yōu)勢(shì)，尤其是DLIR-H算法，結(jié)合人工智能輔助的肺炎定量分析，在臨床實(shí)踐中能極大降低患者輻射暴露風(fēng)險(xiǎn)的同時(shí)保證了圖像質(zhì)量，并為病情的可視化和客觀評(píng)估提供了新的可能性。

參考文獻(xiàn)：

［1］ " "中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì). 新型冠狀病毒肺炎的放射學(xué)診斷： 中華醫(yī)學(xué)會(huì)放射學(xué)分會(huì)專(zhuān)家推薦意見(jiàn)（第一版）［J］. 中華放射學(xué)雜志， 2020， 54（4）： 279-85.

［2］ " "Brenner DJ， Hall EJ. Computed tomography： an increasing source of radiation exposure［J］. N Engl J Med， 2007， 357（22）： 2277-84.

［3］ " "Koetzier LR， Mastrodicasa D， Szczykutowicz TP， et al. Deep learning image reconstruction for CT： technical principles and clinical prospects［J］. Radiology， 2023， 306（3）： e221257.

［4］ " "高才良， 郎春輝， 李 "翔， 等. 新型冠狀病毒肺炎不同臨床分型首次胸部CT評(píng)分及臨床表現(xiàn)［J］. 中國(guó)醫(yī)學(xué)影像學(xué)雜志， 2020， 28（11）： 806-9.

［5］ " "Xu X， Yu CC， Qu J， et al. Imaging and clinical features of patients with 2019 novel coronavirus SARS-CoV-2［J］. Eur J Nucl Med Mol Imaging， 2020， 47（5）： 1275-80.

［6］ " "Zuo YH， Chen Y， Chen LH， et al. Computed Tomography scanning in patients with COVID?19： artificial intelligence analysis of lesions volume and outcome［J］. Eur Rev Med Pharmacol Sci， 2023， 27（12）： 5869-77.

［7］ " "唐友發(fā)， 王秋霞， 張進(jìn)華. 深度學(xué)習(xí)重建算法在腸系膜上動(dòng)脈CT血管成像中的應(yīng)用評(píng)估［J］. 暨南大學(xué)學(xué)報(bào)： 自然科學(xué)與醫(yī)學(xué)版， 2023， 44（3）： 316-22.

［8］ " "Mileto A， Guimaraes LS， McCollough CH， et al. State of the art in abdominal CT： the limits of iterative reconstruction algorithms［J］. Radiology， 2019， 293（3）： 491-503.

［9］ " "Garg M， Devkota S， Prabhakar N， et al. Ultra-low dose CT chest in acute COVID?19 pneumonia： a pilot study from India［J］. Diagnostics， 2023， 13（3）： 351.

［10］ "Greffier J， Hamard A， Pereira F， et al. Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT： a phantom study［J］. Eur Radiol， 2020， 30（7）： 3951-9.

［11］ "Toia GV， Zamora DA， Singleton M， et al. Detectability of small low?attenuation lesions with deep learning CT image reconstruction： a 24?reader phantom study［J］. AJR Am J Roentgenol， 2023， 220（2）： 283-95.

［12］ "張卓璐， 陳 "菁， 劉 "卓， 等. 深度學(xué)習(xí)重建算法對(duì)肺部CT定量分析及圖像質(zhì)量的影響［J］. 放射學(xué)實(shí)踐， 2023， 38（4）： 434-40.

［13］ "中國(guó)肥胖問(wèn)題工作組. 中國(guó)成人超重和肥胖癥預(yù)防與控制指南（節(jié)錄）［J］. 營(yíng)養(yǎng)學(xué)報(bào)， 2004， 26（1）： 1-4.

［14］ "Deak PD， Smal Y， Kalender WA. Multisection CT protocols： sex- and age-specific conversion factors used to determine effective dose from dose-length product［J］. Radiology， 2010， 257（1）： 158-66.

［15］ "宋 "蘭， 田杜雪， 王金華， 等. 胸部超低劑量CT應(yīng)用深度學(xué)習(xí)重建行肺癌篩查的可行性研究［J］. 中華放射學(xué)雜志， 2022， 56（6）： 667-72.

［16］ Jiang JM， Miao L， Liang X， et al. The value of deep learning image reconstruction in improving the quality of low-dose chest CT images［J］. Diagnostics， 2022， 12（10）： 2560.

［17］ "Racine D， Becce F， Viry A， et al. Task-based characterization of a deep learning image reconstruction and comparison with filtered back-projection and a partial model-based iterative reconstruction in abdominal CT： a phantom study［J］. Phys Med， 2020， 76： 28-37.

［18］ "劉海法， 楊 "麗， 王 "琦， 等. 深度學(xué)習(xí)重建算法對(duì)胸部低劑量CT肺結(jié)節(jié)測(cè)量及顯示影響的模體研究［J］. 放射學(xué)實(shí)踐， 2023， 38（8）： 977-84.

［19］ Svalkvist A， Fagman E， Vikgren J， et al. Evaluation of deep-learning image reconstruction for chest CT examinations at two different dose levels［J］. J Appl Clin Med Phys， 2023， 24（3）： e13871.

［20］Gieraerts C， Dangis A， Janssen L， et al. Prognostic value and reproducibility of AI-assisted analysis of lung involvement in COVID-19 at low-dose submillisievert chest CT： sample size implications for clinical trials［J］. Radiol Cardiothorac Imag， 2020， 2（5）： e200441.

（編輯：郎 "朗）