引導螺旋斷層放療用兆伏CT圖像質量定量分析

黃宇亮，李晨光，毛 凱，武建安，戴甜甜，韓媛媛，吳 昊，王海洋，張藝寶△

(1. 北京大學腫瘤醫院暨北京市腫瘤防治研究所放療科，惡性腫瘤發病機制及轉化研究教育部重點實驗室，北京 100142； 2.中日友好醫院放射腫瘤科，中日友好醫院呼吸中心，國家呼吸疾病臨床醫學研究中心，北京 100029)

螺旋斷層放療系統(helical tomotherapy，TOMO)使用 3.5 MV光子配合氙氣探測器實現兆伏CT(megavoltage computed tomography, MVCT)成像[1]，在靶區位置引導、自適應劑量重建[2]、患者運動管理[3]等方面具有廣泛應用。相比較完善的治療射束質控和機械精度監測體系[1]，臨床對于MVCT的圖像質量評估以觀察偽影和配準精度為主[4]，存在較大主觀性和間接性。作為唯一的成像模式，TOMO在圖像引導方面對于MVCT的依賴度很高，但相對于kVCT[5]，MVCT的圖像質量較差[3,6]，質控更加關鍵。對TOMO系統MVCT圖像質量的定量分析有助于建立基于基線值的長期趨勢分析，還可以通過量化不同掃描模式獲取的圖像質量為臨床選擇合適的成像條件提供數據參考[7]。本研究旨在定量分析TOMO系統3種MVCT掃描模式獲取的2套模體圖像質量，探索和驗證螺旋斷層放療系統MVCT圖像的半自動質控方法。

1 材料與方法

1.1 設備和模體

在中日友好醫院的TOMO加速器上，分別使用螺距為4 mm、8 mm、12 mm/圈的Fine、Normal和Coarse模式，獲取CatPhan504(The Phantom Laboratory, New York, USA)和Cheese(Gammex RMI, Wisconsin, USA)2種模體的MVCT圖像。在激光燈輔助下，模體長軸與加速器中心軸在掃描過程中保持一致，不同模式下的掃描范圍也保持一致，圖像重建間距為1 mm。參照TG148報告[1]建議及Zarb等[8]對評估CT圖像質量的報道，本研究重點分析空間分辨率、圖像噪聲、低對比度分辨率這3個影響放療引導精度的MVCT圖像質量關鍵參數。為減少主觀因素導致的不確定性并實現半自動化分析，分析過程采用了3套方法。

1.2 基于Pylinac計算圖像分辨率

Pylinac是一種提供TG142報告[9]相關加速器質控分析的免費軟件[10]，本研究利用Python 3.7.0調用第三方庫Pylinac中CatPhan504函數模塊以分析所得CT圖像，并對源代碼做出如下調整和賦值：輸入由說明書[11]查得的各模塊與CTP404模塊的相對距離，用于函數在自動搜索到CTP404參照圖像后獲得其他目標模塊的位置并進行定量分析；根據庫函數說明書的建議值，將低對比度分辨率模塊的對比度噪聲比(contrast-to-noise ratio，CNR)閾值賦為10[12]；調試各插件之間的偏角以使所有分析區域均在插件區域內并盡可能等圓心。該Python代碼和CatPhan504模體被用于分析如下參數。

1.2.1空間分辨率 基于CTP528模塊內呈圓形放射狀分布的21對間距從0.500 cm遞減到0.024 cm的鋁制線對圖像，模塊的內部結構及各線對間距見圖1，調用Pylinac庫中的CircleProfile函數對其進行高斯濾波降噪后，基于模體各線對實際位置進行

粗帶采樣，繪制出CT值隨采樣點序號變化的曲線圖。根據圖像中每一條線對所在弧度區間的峰-谷個數以及峰值與谷值的差值來評估圖像的空間分辨率。為保證評估方法的穩定性[13]，3種成像模式的計算過程采用了相同的像素矩陣大小(512×512)。

1.2.2低對比度分辨率 調用Pylinac庫對3種模式獲取的CTP515低對比度模塊圖像進行分析，使用公式(1)計算各感興趣區(region of interest，ROI，即模塊中的Supra-Slice)的CNR，稱為low-contrastCNR。其中ROIpixel指感興趣區的CT均值，background指背景區域的CT均值，ROIstdev指感興趣區的CT值標準差，ROIdiameter指感興趣區的直徑。當CNR大于10(CNR閾值)[12]，則目標ROI可見，否則不可見。

(1)

圖1 CatPhan504的CTP528模塊內部結構及各線對間距Figure 1 The internal structure of CTP528 module in CatPhan504 and the gap size of each line pair

1.3 基于MATLAB評估圖像噪聲

將全部Cheese模體圖像數據讀入MATLAB后，使用dicominfo函數讀取DICOM文件信息，定位由均勻性材料鑄造的相同層面，得到3份512×512由雙精度格式存儲的矩陣。確定圖像中半徑為5 cm且與模塊圓心距均為7.3 cm的左上、左下、右上和右下共4個ROI，并根據重建圖像中距離-像素點個數比換算為矩陣中的目標區域。根據DICOM文件包含的重構截距與重構斜率將矩陣灰度值轉換成CT值后，分別求得4個ROI的CT平均值(CT values, CV)， 根據公式(2)計算總體不均勻度，其中的IN代表總體不均勻度(integral non-uniformity)，CVmax和CVmin分別指4個ROI區域CT平均值的最大值和最小值。

(2)

1.4 基于Eclipse分析對比度噪聲比

在滿足區域沒有CT值突變及選取位置盡可能相同條件下，使用Eclipse計劃系統勾畫CatPhan504的CTP404模塊和Cheese模體的CT值測試模塊等圓柱形插件及其局部背景區域。根據區域平均CT值及標準差，使用公式(3)計算CNR[14]，其中μ0和μ1分別是插件區域和其局部背景區域的平均CT值，而σ0和σ1分別是插件區域和背景區域的CT值標準差。

(3)

2 結果

2.1 空間分辨率

CatPhan504的線對區域，3種成像模式CT值隨采樣點序號變化的曲線見圖2。

A, coarse; B, normal; C, fine.圖2 CatPhan504的CTP528模塊線對區域CT值隨采樣點序號變化曲線Figure 2 CatPhan504 CTP528 module line pair area, CT value as a function of sample point’s serial number

2.2 圖像噪聲

Cheese模體的4個ROI區域在3種成像模式下的CT值中位數、計算得到的總體不均勻度見表1。

2.3 低對比度分辨率

3種成像模式下，CatPhan504的低對比度模塊自動分析結果均不可見，Eclipse所得CatPhan504與Cheese的CNR值隨插件材料和成像模式的變化見圖3和圖4，其橫坐標的材料順序從左到右按照其與背景的CT值差異從小到大排列(背景CT值由目標圓柱形插件局部背景區域的平均CT值求得)。

表1 Cheese模體的圖像噪聲評估結果Table 1 Image noise evaluation results of Cheese phantom

LDPE， low density polyethylene; PMP, polymethylpentene.圖3 CatPhan504模體的對比度噪聲比計算結果Figure 3 Contrast-to-noise ratio of CatPhan504 phantom

圖4 Cheese模體的對比度噪聲比計算結果Figure 4 Contrast-to-noise ratio of cheese phantom

3 討論

作為TOMO的MVCT標配質控設備，Cheese的數據相比于CatPhan504更具可靠性，但CatPhan504的圖像質量分析自動化程度更高，可通過現有軟件自動實現，而Cheese尚缺乏自動化圖像質量分析軟件，過程需要人為輔助進行，相比于前者分析過程較為復雜且引入了人為干擾,綜合以上兩點考慮，本實驗用相同參數測了2套模體，在后續分析中選擇性使用。

3.1 空間分辨率

客觀評估了CatPhan504數據，Cheese的高對比度孔對插件尚缺乏相類似的客觀評估法，常規方法是人為對該插件進行觀測并得出結論[6]，但該方法較主觀且結果重復性較差，本研究不采用。圖2中，Coarse的前3個線對清晰但從線對4開始發生了明顯混疊，而Normal和Fine的前4個線對均可清晰觀測,并且圖中表明Normal與Fine的線對辨識度相似，均為前4個線對清晰而線對5發生輕微混疊，故Normal與Fine的空間分辨率相似而Coarse相比于前2者較差。

3.2 圖像噪聲

選擇3種掃描模式的Cheese模體數據，為了避免目標圖像層不同而帶來的誤差，選擇MATLAB進行數據分析而不使用Pylinac自動分析。此外，Cheese均勻性模塊的中心處有圓形空腔，且模體沿過圓心的橫、縱向直徑可拆卸[15]，從而造成這2條線包含有空氣,故將Cheese的ROI區域選擇為左上、左下、右上和右下，而不是通常的上、下、左、右、中5個區域，IN的計算能夠通過監測極端高/低量來表征圖像的不均勻性，結果表明Coarse、Normal、Fine的圖像噪聲依次減小。

3.3 低對比度分辨率

由于CatPhan504的CTP515模塊分析結果為低對比度可觀測性均為0，即3種成像模式中，各Supra-Slice結構區域均未滿足CNR檢測閾值要求，此結果與醫學物理師對該區域盲法觀測結果相一致，故該評估方法失效。通過Eclipse計算2個模體插件模塊區域的CNR進行量化評估，圖3、圖4顯示有明顯差別，但由于現有對TOMO的MVCT成像質控多采用Cheese模體，且圖3中Air1與Air2為同種插件材料，但CNR結果波動較大，可能原因是CatPhan504插件模塊數據質量較差，故Cheese的計算結果更可靠。3種成像模式所得圖像的低對比度分辨率相近，且隨著構造材料與局部背景CT平均差值的增大，插件的可觀測性呈近乎線性增長。

雖然本研究并未直接使用基于臨床的圖像質量評估，所采用的圖像質量評估方法與復雜多變的臨床需求相比顯得較為簡單，但能使預測圖像中簡單結構的感知成為可能[16]，可為臨床決策提供參考。

綜上所述，本研究建立并驗證了TOMO的MV級CT圖像質量評估方法，并對系統的3種成像模式(Coarse、Normal和Fine)的圖像質量進行了客觀定量評估，發現3種成像模式在3個圖像質量評估指標上并未呈現一致優劣性。臨床上TOMO成像模式的選擇可基于圖像觀測的需求，參考本文的評估結果，做出合理決策，相關圖像質量評估工作也可參考本文的方法，定期進行相關質控測試，確保CT設備不偏離公認的標準，確保設備使用穩定性。