CT成像劑量對人工智能算法性能的影響分析

中國食品藥品檢定研究院 醫療器械檢定所，北京 102629

引言

近年來，人工智能算法在圖像處理方面的研究進展迅速[1-3]，推動醫學影像分析的飛速發展，在醫學影像的輔助探測、輔助診斷、輔助分診等方面的應用也不斷取得突破。在胸部CT方面，人工智能算法主要的預期用途包括肺結節的檢出/分類/測量等[4-5]，有助于為肺癌的早期篩查與診斷提供線索。我國肺癌的發病率高，防治壓力大，對肺癌的早期篩查、早期診斷需要投入大量人力、財力和時間。人工智能算法有望大幅節省公共衛生投入，同時降低患者輻射風險，具有重要的現實意義和應用價值。

然而，我國幅員遼闊、地區差異和醫療水平差異顯著，需要避免人工智能算法在不同地區、不同醫院出現重大性能波動或“水土不服”的風險[6]。這需要對算法的魯棒性進行考量，對造成算法性能波動的各種因素進行觀測和分析，進而在研發階段解決算法過擬合等問題，提升產品質量。

成像過程中的劑量是影響人工智能算法性能的重要潛在因素之一。一般來說，輻射劑量與CT圖像質量和患者的輻射風險都有緊密聯系，而臨床對于輻射劑量沒有統一要求。近幾年來，我國大力推進肺癌高危人群進行胸部低劑量 CT（Low-Dose Computed Tomography，LDCT） 篩 查[7]，與常規CT檢查相比，LDCT的管電流僅為20～50 mAs，能夠使患者所受的X射線照射劑量下降80%或更多，大大減少X射線對人體可能造成的損傷[8-9]。從人工閱片的角度來看，國內多個研究團隊已經開展了LDCT診斷肺結節的研究[10-11]，證明LDCT具備準確檢出肺結節的可行性，也有國外研究表明[12]，當肺結節直徑>5 mm時，LDCT對其檢出率與常規劑量CT之間的差異無統計學意義。從人工智能算法閱片的角度，成像劑量對于算法性能的影響尚不明確，有待研究。本文結合試驗測量和仿真模擬，對此問題進行探討。

1 試驗方法

1.1 試驗思路

目前，對于人工智能算法的性能評價多采用“黑盒”測試的方式，即向人工智能算法的輸入端輸入已知結果的數據，觀察輸出端給出的結果情況。研究輻射劑量對算法性能的影響，一種思路是招募同一批患者接受多次不同劑量的CT檢查，得到一系列CT影像作為算法的輸入，對比輸出結果，但會對患者造成較大的輻射傷害。另一種思路是隨機選取常規劑量和低劑量條件下的不同病例進行對照，但不同病例之間的肺結節數量、分布、類型都不盡相同，代表的人群和患病率難以一致。

基于以上考慮，本次試驗的技術路線是在同一批常規劑量的臨床CT影像上疊加噪聲，模擬對應的低劑量CT影像，從而比對人工智能算法的處理結果，設計思路，見圖1。

圖1 試驗思路

1.2 體模試驗

模擬低劑量CT影像首先需要獲取先驗的圖像噪聲水平，因此本試驗的第一步是通過體模試驗采集噪聲數據。

峰值信噪比（Peak Signal-To-Noise Ratio，PSNR）常用于評價圖像的重建質量，是衡量圖像噪聲水平的客觀標準[13]，圖像間的PSNR值越大，二者越相似。開展體模試驗的目的正是要通過使用不同劑量對體模進行成像，計算系列影像間的PSNR值，為模擬仿真提供依據。在管電壓為120 kV的設置下，使用64排CT對模擬人體軀干的組織等效固體水模（密度1.03 g/cm3）進行了不同管電流曝光條件（均采用肺算法）的拍攝，以230 mA管電流曝光圖像作為參考，其他管電流曝光圖像的PSNR值，見圖2。

圖2 不同管電流下水模影像的PSNR

1.3 仿真試驗

選取113例管電流在200～300 mA間的常規劑量胸部CT影像作為原始影像，通過研究Chang等[14]和Li等[15]提出的DICOM圖像處理方法，向原始影像中添加不同幅度的高斯白噪聲，生成5組模擬影像，每組依然113例CT影像，分別計算各組的平均PSNR值（參比原始影像），結合體模試驗的結果，確定模擬的管電流范圍。將模擬影像輸入肺結節輔助檢測人工智能算法進行計算，觀察召回率和精確度的變化。

召回率和精確度是評價肺結節輔助檢測人工智能算法性能方面較為重要的兩個指標，可以很好的反應人工智能算法在臨床使用場景下性能的好壞。根據算法輸出結節預測結果的方式，做如下定義：某一層預測中心點處于金標準結節內視為檢出[16]。金標準中未被配對的結節，判為漏診；預測結果中未被配對的結節，判為假陽。檢出即算法檢出的真肺結節，總數記為TP；假陽即算法檢出的“假”肺結節，總數記為FP；漏診即算法漏診的真肺結節，總數記為FN。召回率和精確度的計算公式見公式(1)～(2)：

2 試驗結果

2.1 模擬影像PSNR情況

5組模擬影像的平均PSNR如圖3所示，通過對比圖2可知，本次模擬仿真生成影像的管電流范圍至少包括10～150 mA，噪聲水平是科學合理的。

圖3 5組模擬影像的平均PSNR

選取1例CT影像的同一層進行人工觀察，圖像質量的變化如圖4所示。

圖4 5組模擬影像與原始影像的對比

2.2 人工智能算法測試結果變化情況

與原始影像的測試結果相比，測試模擬影像的召回率、精確度變化情況如圖5所示。

對于PSNR越小的影像，人工智能算法性能的波動越大，進行歸一化計算后，召回率相對下降的最大幅度是73.2%，精確度相對下降的最大幅度是70.2%，如此大的性能波動在臨床使用過程中無疑會存在較大的潛在風險。說明成像劑量在影響圖像質量的同時，能顯著影響人工智能算法的性能，建議在研發階段提高算法的泛化能力。通過分析輸出結果中的像素坐標，我們可以進一步看到某一病例的具體結果，示例見圖6，圖6中左側實線圓圈標出的是原始影像中人工智能算法檢出的肺結節，右側模擬影像中，同一結節依然可見（虛線圓圈標出），但并沒有被檢出，這也印證了算法總體性能指標的下降。

圖5 召回率、精確度的變化

圖6 原始影像和模擬影像中結節檢出的變化

3 總結

本次試驗通過數學物理方法，模擬生成了不同成像劑量下的肺部CT影像，使用這些模擬影像測試了人工智能算法的性能，總的來看，低劑量CT影像在圖像質量方面有所下降，算法性能也出現了大幅下降，出現多個結節未被檢出情況。未來人工智能算法的應用場景可能很大一部分是沒有足夠醫師資源的基層醫療機構以及體檢機構，相信隨著LDCT的推廣，這些基層醫療機構也將會是肺癌篩查的主要場所。建議各制造商在開發階段能夠提高低劑量CT影像在訓練集中的比例，從而加強算法對于低劑量CT影像的表現，提高效率的同時更加保證有效性。同時，本次試驗使用數學物理方法對現有數據集進行科學、合理的變換，生成符合臨床真實情況的模擬數據，也是對客觀評價人工智能算法性能的一次有益探索，為臨床前質量評價提供了新思路。