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。
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]。
2.1 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]。
3.1 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。
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。