基于卷積神經網絡生成虛擬平掃CT圖像

高留剛，李春迎，陸正大,4，謝 凱，林 濤，眭建鋒，倪昕曄*

(1.南京醫科大學附屬常州市第二人民醫院放療科，江蘇 常州 213003；2.南京醫科大學醫學物理研究中心，江蘇 常州 213003；3.常州市醫學物理重點實驗室，江蘇 常州 213003；4.南京醫科大學生物醫學工程與信息學院，江蘇 南京 211166)

增強CT可提高組織對比度，結合平掃CT能更精確地進行診斷與鑒別診斷[1]。放射治療中多根據平掃CT圖像計算治療劑量、基于增強CT圖像勾畫腫瘤[2]，需要進行2次CT掃描，導致患者所受輻射較多。利用能譜CT虛擬平掃技術，僅以一次掃描即可得到增強CT及虛擬平掃CT圖像[3-4]，但所適用的掃描設備較少，且往往僅支持較小視野掃描[5]，臨床應用受限。近年來基于卷積神經網絡(convolutional neural network，CNN)的深度學習(deep learning，DL)技術廣泛用于醫學圖像處理[6-7]，如配準、分割圖像[8-9]、去除圖像噪聲及偽影[10]及預測放射治療反應[11]等。RONNEBERGER等[12]首次提出U-Net神經網絡，并用于分割電子顯微鏡成像所示神經元結構，獲得最優分割結果。目前利用DL去除增強CT對比劑效果而得到虛擬平掃CT圖像的研究較少。本研究針對增強CT圖像基于U-Net CNN生成虛擬平掃CT圖像，比較其與實際平掃CT及增強CT圖像的差異。

1 資料與方法

1.1 研究對象 納入2018年5月—2019年10月50例于南京醫科大學附屬常州市第二人民醫院同次檢查中接受胸部CT平掃和增強CT掃描的患者，男28例，女22例，年齡35～86歲，平均(62.5±7.9)歲。檢查前患者均簽署知情同意書。

1.2 儀器與方法 采用Siemens Somatom Force CT掃描儀。囑患者仰臥并屏住呼吸，采集胸部軸位CT平掃圖像，參數：管電壓110 kVp，管電流400 mA，層厚5 mm，FOV 50 cm×50 cm，空間分辨率0.72 mm×0.72 mm～0.97 mm×0.97 mm，重建圖像大小為512×512。以3.5 ml/s流率注射碘海醇對比劑 (1.3 ml/kg體質量)，于開始注射對比劑40 s后行靜脈期增強CT掃描。記錄平掃及增強CT的容積CT劑量指數(volume CT dose index，CTDIvol)。

1.3 圖像預處理 采用Matlab 9.6軟件，以平掃CT為固定圖像、增強CT為浮動圖像，通過三維仿射變換行三維剛性配準；由1名具有15年工作經驗的影像科醫師復檢圖像，去除配準后差異較大者，每例包含60層平掃CT圖像及60層配準后的增強CT圖像。以40例作為訓練集，10例作為測試集。

1.4 網絡結構與訓練 采用U-Net CNN框架進行訓練，為左右對稱結構，包含編碼和解碼兩部分；編碼部分包含卷積和4次下采樣，用于提取圖像特征，并直接拷貝到解碼部分；解碼部分包含卷積和4次上采樣，將特征圖恢復至原始圖像分辨率。卷積前對圖像周圍進行補零，使卷積后圖像尺寸不變。采用3×3卷積核，移動步長為1；對特征圖進行批標準化，激活函數采用斜率非零的修正線性單元(Leaky ReLUs)。編碼部分采用2×2最大池化行降采樣，解碼部分通過步長為1/2的反卷積進行上采樣(圖1)。

以CNN中每個卷積核的參數和偏置為待訓練參數，通過隨機數字初始化所有參數；將訓練集增強CT圖像輸入神經網絡中，輸出生成圖像；以輸出圖像與實際平掃CT圖像之間的差異為損失函數，其值越小，代表生成圖像與實際平掃CT圖像越接近。采用最小化損失函數進行網絡訓練，將損失函數在網絡中進行反向傳播，計算損失函數對于每個參數的梯度；更新網絡參數為原始參數減去梯度乘以學習步長，輸入增強CT圖像，得到新的生成圖像。反復迭代更新網絡參數，設置損失函數值<1或完成450次訓練后結束神經網絡訓練，實際共完成450次訓練、迭代9萬次(圖2)。損失函數值L為平均絕對誤差(mean absolute error，MAE)與均方誤差(mean squared error，MSE)之和，見公式(1)和(2)。訓練中使用小批量梯度下降優化算法，將批大小設置為12，學習率設為0.000 1。

(1)

(2)

式中，X、Y為待比較的2幅CT圖像，Xi、Yi分別表示CT圖像X、Y中第i個像素的CT值，n為像素個數。

1.5 測試與評估 將測試集增強CT圖像輸入完成訓練的U-Net神經網絡中，生成虛擬平掃CT圖像；比較平掃CT、增強CT與虛擬平掃CT三種圖像的差異。分別以增強CT和虛擬平掃CT圖像減去平掃CT圖像，得到CT值差異圖像；以10 HU為1個單元，統計差異圖像在各CT值區間內的像素個數并繪制直方圖，直方圖越集中于0 HU，代表所比較2幅圖像的相似度越高；若2幅圖像完全一致，則所有像素均分布于0 HU對應單元內。計算測試集增強CT、虛擬平掃CT圖像與平掃CT圖像的MAE(不包含人體外空氣區域)及結構相似度(structural similarity，SSIM)，SSIM計算見公式(3)；2種圖像對應像素差異越小，則MAE越接近于0；2幅圖像越相似，SSIM越接近于1。

SSIM(X,Y)=

(3)

將圖像導入Monaco系統，于平掃CT圖像上勾畫心臟、大血管、肺、肝臟及脊髓等重要臟器；將勾畫的輪廓復制到虛擬平掃CT圖像中，采用SPSS 23.0統計分析軟件，以Wilcoxon配對符號秩和檢驗比較虛擬平掃CT與平掃CT圖像中各器官的CT值差異，P<0.05為差異有統計學意義。

2 結果

2.1 CT掃描劑量 50例平掃CT平均CTDIvol為(11.67±0.51)mGy，增強CT平均CTDIvol為(13.46±0.76)mGy，即采用虛擬平掃CT圖像可降低46.44%平均輻射劑量。

2.2 測試集圖像 測試集增強CT圖像顯示臟器亮度明顯高于平掃CT圖像；虛擬平掃CT圖像與實際平掃CT圖像相似，見圖3。增強CT與平掃CT圖像CT值差值多數分布在正區間內(圖4A)；虛擬平掃CT與實際平掃CT圖像的CT值差值集中分布于0 HU左右(圖4B)。增強CT與平掃CT的MAE為(32.28±2.64)HU，SSIM為0.82±0.05；虛擬平掃CT與實際平掃CT的MAE為(6.72±1.31)HU，SSIM為0.98±0.02。虛擬平掃CT與實際平掃CT圖像中主要臟器CT值差異均無統計學意義(P均>0.05)，見表1。

表1 測試集虛擬平掃CT與實際平掃CT圖像中主要器官的CT值比較(HU，n=10)

3 討論

本研究針對增強CT圖像以U-Net神經網絡生成虛擬平掃CT圖像，以代替實際平掃CT，患者僅接受一次掃描，使平均輻射劑量減少46.44%。比較平掃、增強與虛擬平掃CT圖像及CT值，心臟、肝臟及大血管等器官在增強CT中的亮度明顯高于實際平掃CT；虛擬平掃CT圖像與實際平掃CT接近，其CT值差值均分布于0 HU左右，MAE由(32.28±2.64)HU降為(6.72±1.31)HU，SSIM由0.82±0.05提高至0.98±0.02；虛擬平掃圖像中肺、心臟、肝臟及脊髓等組織CT值與實際平掃圖像均無顯著差異。以上結果提示，虛擬平掃圖像與實際平掃CT圖像具有較高一致性，具備替代實際平掃CT圖像的潛力。

本研究虛擬平掃與實際平掃CT之間存在殘留差異，可能與多種原因有關。訓練集僅包括40例患者，進一步增加樣本量可能提升訓練效果。另外，原始U-Net CNN主要用于圖像分割，本研究將其用于圖像生成，在精度方面可能存在一定局限性，基于U-Net改進網絡[13]或生成對抗神經網絡[14]或可提高訓練精度。MAE可能與增強CT與平掃CT配準后的部分組織形變有關，而器官運動引起的形變無可避免。形變差異在訓練網絡時可能導致誤差，使訓練網絡不夠精確；測試時形變差異由增強CT傳導至虛擬平掃CT，導致虛擬平掃CT與實際平掃CT部分邊界不完全重合而致MAE增大，采用無監督網絡訓練可降低對圖像配準的要求。

綜上所述，本研究針對增強CT以U-Net CNN生成虛擬平掃圖像與實際平掃圖像的一致性較好，各器官CT值無顯著差異，提示利用虛擬平掃CT圖像可減少掃描次數、降低輻射劑量。