深度學習重建算法對頭CT灌注重建參數及圖像質量影響探討

陳鈺，王彥玲，蘇童，徐敏，閆靜，王劍，陸曉平，王沄，李玉梅，金征宇

頭CT灌注(computed tomography perfusion,CTP)是一項快速、非侵入性的、定量評估腦缺血狀態的技術，可以獲得腦血流量(cerebral blood flow,CBF)，腦容量(cerebral blood volume,CBV)及平均通過時間(mean transit time,MTT)等參數。頭CTP不僅能發現灌注異常，也可以區分可挽救的缺血和壞死。在CTP圖像上識別缺血區域對診斷非常關鍵[1]。此外，CTP還可以有效評估腦血管狹窄或閉塞患者的側枝循環及腦血流灌注儲備[2]。

除掃描條件，球管電壓和電流的影響以外，對CT圖像質量有重要影響的因素還包括CT重建算法。在過去的20年間，最常用的重建算法是濾波反投影(filtered back projection,FBP)。FBP具有比較好的圖像質量，并且重建速度很快，但是在低輻射劑量的條件下，圖像噪聲比較大。迭代重建(iterative reconstruction,IR)可以降低圖像噪聲，但是往往重建時間比較長。自適應迭代劑量減低(three-dimensional adaptive iterative dose reduction,AIDR 3D)屬于混合迭代重建(hybrid-IR)，具有重建時間短的優勢，因此在臨床廣泛應用。近年來，隨著深度學習算法的不斷進步，基于深度學習的的人工智能圖像重建系統(advanced intelligent clear-IQ engine，AiCE)得以在放射領域實現臨床常規使用，可以進一步降低圖像噪聲，提升圖像質量。多項研究表明，AiCE在胸部、腹部、冠脈等部位，均有降低圖像噪聲的作用[3-7]。

最近關于頭CT平掃的研究表明，AiCE圖像噪聲低于hybrid-IR約10～20%(P<0.001)[8]。目前國內外尚無AiCE應用于頭CTP的文章。因此本研究的目的在于，評價DLR及hybrid-IR的頭CTP的圖像質量差異，并且探索DLR及hybrid-IR獲得的灌注參數是否存在相關性。

材料與方法

1.研究對象

本研究經過倫理委員會審批(倫理審查批件編號：HS-2427)。前瞻性連續搜集2020年9月至2021年3月北京協和醫院放射科進行頭CT灌注檢查的20例患者，入組標準：①懷疑或已有缺血性腦卒中；②年齡18周歲以上。排除標準：對含碘對比劑產生過敏、嚴重肝腎功能不全、嚴重失代償性心功能不全。

2.掃描設備及重建

所有患者均采用佳能醫療系統320排寬體探測器CT(Aquilion ONE Genesis;Canon Medical System,Japan)，檢查時取仰臥位，雙臂放松置于身體兩側，并囑患者檢查時頭部不要移動。頭CT灌注采用多期容積掃描，掃描范圍從第一頸椎至顱頂，管電壓80 kV，固定毫安秒，轉速0.5秒/轉，準直器320×0.5 mm。采用雙筒高壓注射器在肘正中靜脈以5.0 mL/s流速注入40 mL非離子型對比劑碘帕醇(370 mg/mL)和30 mL鹽水。灌注序列包括5組掃描(19期動態掃描)：第一組為平掃(80 kV,200 mA，1期)，第二組為動脈早期(80 kV,150 mA,3期，時間間隔2 s)，第三組為動脈期(80 kV,200 mA,6期，時間間隔2 s),第四組為動脈晚期(80 kV,150 mA,4期，時間間隔2 s),第五組為靜脈期(80 kV,150 mA，5期，時間間隔5 s)。圖像重建矩陣512×512，重建層厚和層間距均為0.5 mm，掃描完成后重建出一組AIDR 3D (kernel值為FC 41)序列, 并且使用兩種AiCE參數(BRAIN LCD及BRAIN CTA)的Standard檔位分別重建AiCE LCD及AiCE CTA序列，共獲得3組灌注序列的圖像。

將AIDR 3D,AiCE LCD,AiCE CTA多期灌注圖像自動發送到佳能醫療后處理工作站(Brain perfusion,VitreaWorkstation,Canon Medical System)進行重建。選取大腦中動脈作為流入動脈，上矢狀竇作為流出靜脈，生成時間密度曲線，并進一步自動生成灌注參數圖：CBF，CBV及MTT。選取基底節層面，使用后處理軟件的感興趣區(region of interest,ROI)模版勾畫額葉、顳葉及枕葉區的ROI，手動勾畫基底節區ROI(圖1)。

選取大腦中動脈時間密度曲線增強最大的時間點，提取單期增強圖像，做為動脈期峰值圖像。

3.輻射劑量

記錄設備自動生成的患者頭CT灌注的輻射劑量指標，包括容積CT劑量指數(CT dose index volume,CTDIvol)和劑量長度乘積(dose length product,DLP)。計算有效劑量(effective dose,ED)ED=DLP×k，k為權重因子0.0023 (msV/mGy·cm)。

4.圖像質量評價

由兩名分別具有3年及10年頭頸部CTA診斷經驗的醫師共同進行測量，取一致性結果作為最終結果。

①灌注參數測量：在3種重建序列的CBF，CBV及MTT圖上，記錄額葉、顳葉、枕葉及基底節區各ROI的CBF，CBV及MTT均值(圖1)。

圖1 患者,男,39歲,灌注參數測量方法舉例。a)基于AiCE LCD灌注序列重建CBV圖，在基底節層面使用后處理軟件的ROI模版自動勾畫額葉、顳葉及枕葉區的ROI，手動勾畫基底節區ROI； b) 基于AiCE LCD灌注序列重建CBF圖，勾畫ROI方法同圖a； c) 基于AiCE LCD灌注序列重建MTT圖，勾畫ROI方法同圖a。

②動脈峰值期圖像質量分析：在動脈期峰值圖像上放置雙側半卵圓中心、雙側頸內動脈虹吸段及腦干ROI，記錄平均CT值及標準差(standard deviation,SD)。計算半卵圓中心、頸內動脈虹吸段及腦干的信噪比(signal-to-noise ratio，SNR)，計算頸內動脈虹吸段的對比噪聲比(contrast noise ratio,CNR)。

5.統計學分析

采用R software (version 3.6.1,http://www.R-project.org)進行統計分析。計量資料采用“中位數±四分位距”形式表示，比較AIDR 3D,AiCE LCD及AiCE CTA序列的額葉、顳葉、枕葉及基底節供血區CBF、CBV及MTT中位數的差異。比較動脈峰值期圖像上半卵圓中心、雙側頸內動脈虹吸段及腦干的CT值、SD值、SNR值，以及頸內動脈虹吸段的CNR值中位數的差異。采用Shapiro-Wilk檢驗數據是否滿足正態分布。采用Friedman test來分析多組之間的差異，采用Wilcoxon signed rank test with Bonferroni correction進行組間兩兩比較，P<0.05表示有統計學差異。

分別將CBF、CBV及MTT的所有測量位置的ROI合并，采用Spearman相關性檢驗，計算AIDR 3D與AiCE LCD、AIDR 3D與AiCE CTA的CBF、CBV及MTT中位數之間的相關性，P<0.05為有顯著性意義，同時得到相關系數R，R絕對值越大，說明兩變量的相關性越密切。

結 果

1.患者一般情況

20名患者，男13例，女7例，年齡(50.8±16.4)歲，身高(1.66±0.07) m，體重(68.4±13.2) kg，BMI (24.59±3.59) kg/m2，CTDIvol 40.12 mGy，DLP 772.3 mGy·cm。有效劑量ED 1.776 mSv。

2.圖像質量比較

①灌注參數比較：AIDR 3D,AiCE LCD及AiCE CTA灌注序列在額葉、顳葉、枕葉及基底節區的CBF及CBV中位數比較均有統計學差異(P<0.001)，并且CBF及CBV中位數由大至小的依次為AIDR 3D>AiCE LCD>AiCE CTA，兩兩比較具有統計學差異(P<0.001)。三個灌注序列在額葉、顳葉、枕葉區的MTT值比較均有統計學差異(P<0.001)，其中AiCE CTA的MTT值高于AIDR 3D(P<0.05)，AiCE LCD的MTT值高于AIDR 3D，但是無統計學差異(P>0.05)。三個灌注序列在基底節區的MTT值比較，無統計學差異(P=0.068，表1)。

表1 AIDR 3D、AiCE LCD及AiCE CTA重建序列的灌注參數比較

AiCE LCD與AIDR 3D的CBF、CBV及MTT值存在顯著相關性，所有P<0.001，R值分別為0.75、0.70及0.69。AiCE CTA與AIDR 3D的CBF、CBV及MTT值也存在顯著相關性，所有P<0.001，R值分別為0.53、0.52及0.75(圖2)。

圖2 分別比較AiCE LCD、AiCE CTA重建的灌注參數與AIDR 3D的CBF、CBV及MTT中位數值之間得相關性。a)AiCE LCD與AIDR 3D重建的CBF值存在顯著相關性，P<0.001，R=0.75； b) AiCE LCD與AIDR 3D重建的CBV值存在顯著相關性，P<0.001，R=0.70； c) AiCE LCD與AIDR 3D重建的MTT值存在顯著相關性，P<0.001，R=0.69； d) AiCE CTA與AIDR 3D重建的CBF值存在顯著相關性，P<0.001，R=0.53； e) AiCE CTA與AIDR 3D重建的CBV值存在顯著相關性，P<0.001，R=0.52； f) AiCE CTA與AIDR 3D重建的MTT值存在顯著相關性，P<0.001，R=0.75。

②動脈峰值期的圖像質量比較:在半卵圓中心及腦干，AIDR 3D的CT值高于AiCE CTA及AiCE LCD(P<0.001)；AiCE CTA及AiCE LCD的SD值低于AIDR 3D(P<0.001)，SNR值高于AIDR 3D(P<0.001)。AiCE CTA與AiCE LCD的CT值、SD值及SNR的比較沒有統計學差異(P>0.05)。

在頸內動脈虹吸段，AiCE CTA與AiCE LCD的CT值均高于AIDR 3D(P<0.05)；AiCE CTA的SD值高于AiCE LCD及 AIDR 3D(P<0.001)， AiCE LCD與 AIDR 3D的SD值無統計學差異(P=1)；AiCE LCD的SNR均高于其他兩個序列(P<0.001)，AiCE CTA的CNR均高于其他兩個序列(P<0.001,表2，圖3)。

表2 AIDR 3D、AiCE LCD及AiCE CTA重建序列動脈峰值期的圖像質量比較

圖3 患者，男，67歲。AIDR 3D、AiCE LCD及AiCE CTA重建序列的動脈最大峰值期的圖像測量舉例。a) 基于AIDR 3D序列時間密度曲線，選取動脈峰值點單期圖像，在腦干層面放ROI，顯示ROI的SD值=12.83HU； b) 基于AiCE CTA序列時間密度曲線，選取動脈峰值點單期圖像，將圖a中腦干層面ROI復制到圖b，顯示ROI的SD值=8.676HU； c) 基于AiCE LCD序列時間密度曲線，選取動脈峰值點單期圖像，將圖a中腦干層面ROI復制到圖c，顯示ROI的SD值=8.861HU。

討 論

本研究為首次采用深度學習神經網絡CT重建算法進行頭CTP重建，并且比較了兩種重建參數(BRAIN LCD與BRAIN CTA)對圖像質量以及灌注參數的影響。結果表明，兩種 AiCE灌注序列的圖像質量優于AIDR 3D序列，AiCE序列的灌注參數，與AIDR 3D具有顯著相關性，其中AiCE LCD的CBF及CBV與AIDR 3D的相關性更高。

AiCE深度學習神經網絡以高質量的全模型迭代重建的數據作為訓練目標，使得所有輸入圖像都能獲得高質量的輸出圖像，其圖像空間分辨率高于傳統的FBP和迭代重建的圖像。Angélique等[9]在對冠脈的研究結果表明，使用AiCE重建算法的冠脈CTA，與AiDR相比，輻射劑量降低40%，SNR及CNR提高約50%。Nakamura等[5]在對腹部的研究表明，低輻射劑量組的AiCE重建算法與AIDR重建算法相比，CNR提高將近一倍，優于標準劑量的AIDR重建算法。Singh等[3]對于胸部及腹部的研究表明，低輻射劑量組前胸壁肌的AiCE重建算法的CNR高于AIDR 3D約80%，肝臟的CNR提高約35%。對體膜的研究表現，AiCE與AIDR 3D相比，可以降低胸腹部圖像的噪聲強度[10,11]。本研究表明，兩種AiCE重建圖像與AIDR 3D相比，腦組織(半卵圓中心及腦干)的SD值下降約30%，與文獻報道一致。然而，AiCE重建圖像在頸內動脈虹吸段的SD值高于AIDR 3D，其原因有待進一步研究。

AiCE在頭部具有兩種不同的重建算法，包括AiCE BRAIN LCD及AiCE BRAIN CTA，根據廠家算法原理推薦，前者更適用于腦實質的評價，后者更適用于顱內血管的評價。Oostveen等[8]對頭CT平掃的研究表明，AiCE BRAIN LCD的SD值低于AIDR 3D約10%～20%(P<0.001)，SNR優于AIDR 3D(P<0.001)。對于AiCE BRAIN CTA重建算法的研究，目前尚無報道。本研究通過頭CTP的動脈峰值期的圖像質量分析表明，與AIDR 3D重建相比，兩種AiCE重建均可提高頸內動脈虹吸段的CT值，并且降低腦組織的CT值及SD值，因此AiCE在頸內動脈虹吸段CNR提高了70%～90%，其中AiCE CTA提高的幅度更為顯著。這進一步驗證BRAIN CTA的重建算法，更適用于顱內血管。

320排寬體探測器CT一次可以覆蓋16 cm的范圍，從而實現全腦灌注。以往的研究表明，全腦灌注在腦缺血、腦白質病變及癡呆等病變，均有較好的診斷價值[12,13]。迭代重建結合頭CTP可以顯著降低圖像噪聲，在低輻射劑量方案中獲得比較好的圖像質量[14,15]。本研究表明，AiCE LCD重建獲得的CBF、CBV值高于AIDR 3D及AiCE CTA，雖然兩種AiCE重建的灌注參數與AIDR 3D均有顯著相關性，但是AiCE LCD的CBF、CBV與AIDR 3D的相關性更密切。這表明AiCE LCD重建算法在顯示灌注參數方面，優于AiCE CTA。

本研究也存在一些局限性：①納入的樣本量較小，未來將進一步擴大樣本量進行研究；②納入的病例以慢性期腦缺血的表現為主，對急性期腦缺血的研究更有助于挖掘AiCE在CTP應用的更多臨床價值，有待進一步研究；③由于本組病例缺少可評估的腦缺血病灶，因此基于腦葉解剖結構在CTP圖像上設置的灌注參數的ROI，缺少對病變的評估，未來將進一步搜集有顯著病灶的病例進行研究。

結論：深度學習重建算法可以提高頭CTP動脈峰值期的圖像質量，AiCE BRAIN LCD重建的灌注參數與AIDR 3D重建具有更好的相關性。因此，推薦使用AiCE BRAIN LCD參數進行頭灌注參數的重建。