深度學習圖像重建算法用于肥胖個體低劑量冠狀動脈CT血管成像

王宏偉，李 瑛，高一峰，王 瑞，杜志強，于 敏，徐 磊*

(1.首都醫科大學附屬北京安貞醫院醫學影像科，北京 100029；2.通用電氣電子科技園CT產品部，北京 102600)

超重及肥胖是冠狀動脈疾病(coronary artery disease， CAD)的重要危險因素[1]。冠狀動脈CT血管成像(coronary CT angiography， CCTA)具有較高敏感度及陰性預測值，是無創檢查CAD的主要方式之一[2]，但受檢者脂肪組織較多可增加圖像噪聲，影響CCTA圖像質量及診斷準確率，為此多通過增加管電壓等方法改善圖像質量，導致輻射劑量增加[3]，且目前常用的迭代重建技術無法解耦圖像質量與輻射劑量[4]，在肥胖人群中應用受限。隨著人工智能的迅速發展，基于深度學習(deep learning， DL)的重建方式已被證實可提高CCTA圖像質量[5]。本研究對比深度學習圖像重建(DL image reconstruction， DLIR)與自適應統計迭代重建(adaptive statistical iterative reconstruction Veo， ASIR-V)算法對肥胖人群低劑量CCTA圖像質量的影響。

1 資料與方法

1.1 研究對象 前瞻性納入2019年8月—2019年10月體質量指數(body mass index， BMI)≥28 kg/m2[6]的30例臨床疑診CAD患者，男21例，女9例，年齡32～80歲，平均(54.7±11.0)歲；BMI 28.07～39.04 kg/m2，平均(32.63±3.23)kg/m2。排除標準：①對比劑過敏；②合并心或腎功能不全；③冠狀動脈手術史。本研究獲得院倫理委員會批準(倫理編號：2017048X)。檢查前所有患者均簽署知情同意書。

1.2 儀器與方法 掃描前未使用控制心率藥物。采用GE 256排Revolution CT機，囑患者仰臥于掃描床，以雙筒高壓注射器經前臂靜脈留置針以4～5 ml/s流率注射碘海醇注射液50～60 ml(350 mgI/ml)及30～35 ml生理鹽水，之后采用前瞻性心電門控掃描氣管隆嵴下1～2 cm至心臟膈面，參數：管電壓100 kV，管電流采用Smart-mA技術，準直256×0.625 mm，機架旋轉時間280 ms，掃描范圍14～16 cm，矩陣512×512像素，重建層厚0.625 mm，層間距0。采用DLIR中級別降噪(DLIR-M)、DLIR高級別降噪(DLIR-H)及ASIR-V 50%(ASIR-V)算法重建冠狀動脈運動偽影最少的相同采集期相，分別以所獲圖像為DLIR-M組、DLIR-H組和ASIR-V組。

1.3 圖像評價 將數據傳輸至AW4.7工作站，由1名具有3年以上工作經驗的影像科醫師盡量避開動脈管壁或其他干擾結構于左心房(left atrium， LA)、主動脈根部(aortic root， Ao)、右冠狀動脈(right coronary artery， RCA)、左主干動脈(left main artery， LMA)、左前降支動脈(left anterior descending artery， LAD)、左回旋支動脈(left circumflex artery， LCX)近端及主動脈根部旁前縱隔脂肪(the para-aortic anterior mediastinal fat， FAT)各勾畫1個ROI，調整ROI后獲得3組重建圖像中相同位置的最大測量區域，測量其CT值及標準差(standard deviation， SD)。噪聲定義為LA、Ao及FAT ROI的SD。以Ao圖像噪聲及脂肪密度計算各冠狀動脈開口的對比噪聲比(contrast to noise ratio， CNR)[4]。見圖1。

圖1 患者女，42歲，BMI=28.31 kg/m2 采用DLIR-M(A)、DLIR-H(B)及ASIR-V(C)算法重建CCTA顯示主動脈根部的軸位圖像，勾畫主動脈根部(大圓圈)、RCA近端(小圓圈)，并測量CT值

由另2名具有5年以上工作經驗的影像科醫師針對重建圖像以5-Likert評分法[7]評估冠狀動脈18節段[8]圖像質量，意見不一致時協商達成一致：圖像質量優秀、無偽影、噪聲小為5分；圖像質量好、有輕微偽影和噪聲但模糊程度可忽略不計為4分；圖像質量中等、部分存在偽影及噪聲但不影響診斷為3分；圖像質量較差、偽影嚴重、有明顯噪聲為2分；圖像質量極差、不可評價、噪聲很大為1分；3～5分為可評估冠狀動脈節段，見圖2。

圖2 患者男，48歲，BMI=29.39 kg/m2 采用DLIR-M(A)、DLIR-H(B)及ASIR-V(C)算法重建的RCA圖像

1.4 輻射劑量 記錄CT掃描儀自動提供的CCTA掃描劑量長度乘積(dosage length product， DLP)及容積CT劑量指數(volume CT dose index， CTDIvol)，并以胸部轉換因子k[0.014 mSv/(mGy·cm)][9]計算有效輻射劑量(effective dose， ED)。

1.5 統計學分析 采用SPSS 23.0統計分析軟件。以±s表示計量資料，采用單因素方差分析或秩和檢驗比較各參數組間差異。以Kappa檢驗評價觀察者間一致性，Kappa<0.4為一致性差；0.4≤Kappa≤0.6為一致性中等；0.60.8為一致性好。P<0.05為差異有統計學意義。

2 結果

2.1 圖像評價 DLIR-M組、DLIR-H組及ASIR-V組Ao CT值分別為(375.02±50.77)HU、(375.27±50.71)HU及(374.94±50.48)HU，差異無統計學意義(F=0.009，P=0.995)。DLIR-M組及DLIR-H組噪聲均低于ASIR-V組，ASIR-V組與DLIR-H組差異有統計學意義(P<0.05)，與DLIR-M組差異無統計學意義(P>0.05)；DLIR-H組噪聲明顯低于DLIR-M組(P<0.05)，見表1。DLIR-M組及DLIR-H組CNR均高于ASIR-V組，ASIR-V組與DLIR-H組差異有統計學意義(P<0.05)，與DLIR-M組差異無統計學意義(P>0.05)；DLIR-H組CNR明顯高于DLIR-M組(P均<0.05)，見表2。

表1 30例肥胖患者低劑量CCTA噪聲比較(±s，n=30)

表1 30例肥胖患者低劑量CCTA噪聲比較(±s，n=30)

組別LAAoFATDLIR-M組38.51±5.1534.59±6.5629.87±6.54DLIR-H組28.45±4.90*24.12±5.48*22.57±5.79*ASIR-V組39.21±4.34#37.98±4.17#33.53±5.80#F值45.26248.99436.060P值<0.001<0.001<0.001

注：*：與DLIR-M組比較P<0.05；#：與DLIR-H組比較P<0.05

表2 30例肥胖患者低劑量CCTA CNR比較(±s，n=30)

表2 30例肥胖患者低劑量CCTA CNR比較(±s，n=30)

組別AoRCALMALADLCXDLIR-M組16.72±4.4515.96±4.2916.08±4.3716.32±4.1616.14±4.52DLIR-H組22.31±6.08?21.23±5.84?21.48±6.01?21.71±5.78?21.32±6.06?ASIR-V組14.65±3.35#13.74±3.20#13.89±3.37#13.94±3.17#13.60±3.43#F值28.52829.32229.64730.98025.432P值<0.001<0.001<0.001<0.001<0.001

注：*：與DLIR-M組比較P<0.05；#：與DLIR-H組比較P<0.05

共 329個冠狀動脈節段可評價，ASIR-V組302個(302/329，91.79%)，DLIR-M組及DLIR-H組各323個(323/329，98.18%)，見表3。DLIR-M組、DLIR-H組及ASIR-V組平均質量評分分別為(3.81±0.62)分、(4.02±0.71)分及(3.45±0.66)分，DLIR-M組及DLIR-H組平均質量評分均明顯高于ASIR-V組(P均<0.05)，DLIR-H組明顯高于DLIR-M組(P<0.05)。2名醫師評價圖像質量的一致性較高(Kappa=0.68，P<0.05)。

表3 30例肥胖患者低劑量CCTA主觀圖像質量評價(個，n=329)

2.2 輻射劑量 30例DLP為66.79～137.52 mGy·cm，平均(79.98±20.19)mGy·cm；CTDIvol為4.77～8.81 mGy，平均(5.64±1.25)mGy；ED為0.94～1.93 mSv，平均(1.12±0.28)mSv。

3 討論

DL是以多層神經網絡為特征的端到端機器學習方法，已廣泛用于醫學圖像處理[10]。本研究采用的DLIR是以高劑量濾波反投影(filtered back projection， FBP)圖像為金標準進行訓練，將低劑量圖像與相同數據高劑量FBP圖像的圖像噪聲、低對比度分辨率、低對比度可檢測性及噪聲紋理等多個參數進行比較，輸出圖像并將差異反饋于深度神經網絡(deep neural network， DNN)供其修改，并多次重復該過程，直至輸出圖像與相同數據高劑量圖像達到精確匹配。隨著BMI增加，CCTA不可評估的冠狀動脈節段增加，導致診斷準確率下降[11]。BENZ等[5]對比ASIR-V 70% 標準重建圖像與高清內核、DLIR-M、DLIR-H重建圖像，發現DLIR-M和DLIR-H圖像質量高于ASIR-V標準和高清內核圖像。本研究對DLIR-M、DLIR-H與ASIR-V 50%圖像進行比較，結果顯示雖因患者肥胖導致圖像噪聲增加，DLIR-M及DLIR-H組圖像噪聲仍低于ASIR-V組，CNR亦高于ASIR-V組，提示圖像質量較之明顯提高；DLIR算法重建圖像中，僅1.82%(6/329)冠狀動脈節段不可評估，低于ASIR-V圖像，提示DLIR算法具有良好降噪能力。

既往研究[12]采用噪聲功率譜、基于任務的傳遞函數50%及檢測能力指數評估DLIR圖像的噪聲紋理、空間分辨率及檢測病變能力，發現隨重建級別升高，DLIR降噪能力增加、空間分辨率提高，且檢測細微病變能力較高。本研究DLIR-H組噪聲明顯低于、CNR明顯高于DLIR-M組，隨著DLIR級別升高，其降噪能力也得到提升。

國際心血管CT協會推薦對肥胖人群行CCTA檢查時使用更高管電壓(如120 kV)[3]，而這意味著輻射劑量升高，增加潛在致癌風險。將管電壓從120 kV降至100 kV降低30%左右輻射劑量，但會增加噪聲，導致圖像質量下降，采用更有效的圖像降噪處理方法是低管電壓CCTA的可靠保證。一項針對肥胖患者圖像重建算法的研究[4]發現其平均ED為(4.41±0.83)mSv。本研究30例平均ED為(1.12±0.28)mSv，輻射劑量明顯降低。

本研究的局限性：①樣本量小，各組圖像因算法不同而存在差異，可能導致偏倚；②僅以評價重建圖像診斷CAD的準確率，而未與冠狀動脈造影進行對比；③未與管電壓120 kV的圖像進行對比。

總之，采用DLIR算法、可顯著降低肥胖人群CCTA圖像噪聲、提高圖像質量，增加可評估冠狀動脈節段數量，且高級別降噪可進一步提高圖像質量。