100 kVp條件下深度學習重建算法對頭頸CT血管造影圖像質量的影響

摘要：目的 評價100 kVp條件下深度學習重建算法對頭頸CT血管造影（CTA）圖像質量的影響。方法 2021年3至4月北京協和醫院行頭頸CTA檢查的37例患者，采用100 kVp管電壓進行CT掃描，基于三維自適應迭代劑量降低（AIDR 3D）和深度學習高級智能Clear-IQ引擎（AiCE）低、中、高強度算法重建出4組圖像，測量并計算橫斷位圖像感興趣區的平均CT值、標準差（SD）、信噪比（SNR）和對比噪聲比（CNR）等客觀指標，并分別對4組大腦前動脈矢狀位最大密度投影圖像進行主觀評分（1分：差，5分：優秀）。結果 AiCE低、中、高強度和AIDR 3D組圖像的SNR和CNR值比較差異均有統計學意義（P均lt;0.01）。AiCE低、中、高強度和AIDR 3D組圖像的質量評分分別為（4.78±0.41）、（4.92±0.27）、（4.97±0.16）、（3.92±0.27）分，3組AiCE圖像與AIDR 3D組比較差異均有統計學意義（P均lt;0.001）。結論 在頭頸CTA檢查圖像質量方面，100 kVp條件下深度學習AiCE重建算法優于AIDR 3D，能夠顯著提高圖像質量，可以在臨床檢查中加以應用。

關鍵詞：CT血管造影；三維自適應迭代劑量降低；深度學習重建；圖像質量

中圖分類號： R445.3" 文獻標志碼： A" 文章編號：1000-503X（2023）03-0416-06

DOI：10.3881/j.issn.1000-503X.15170

Quality of Images Reconstructed by Deep Learning Reconstruction Algorithm for Head and Neck CT Angiography at 100 kVp

LU Xiaoping1，WANG Yun1，CHEN Yu1，WANG Yanling1，XU Min2，JIN Zhengyu1

1Department of Radiology，PUMC Hospital，CAMS and PUMC，Beijing 100730，China

2Canon Medical System （China） Company Limited，Beijing 100015，China

Corresponding author：CHEN Yu Tel：010-69159508，E-mail：bjchenyu@126.com

ABSTRACT：Objective To evaluate the impact of deep learning reconstruction algorithm on the image quality of head and neck CT angiography （CTA） at 100 kVp.Methods CT scanning was performed at 100 kVp for the 37 patients who underwent head and neck CTA in PUMC Hospital from March to April in 2021.Four sets of images were reconstructed by three-dimensional adaptive iterative dose reduction （AIDR 3D） and advanced intelligent Clear-IQ engine （AiCE） （low，medium，and high intensity algorithms），respectively.The average CT value，standard deviation （SD），signal-to-noise ratio （SNR），and contrast-to-noise ratio （CNR） of the region of interest in the transverse section image were calculated.Furthermore，the four sets of sagittal maximum intensity projection images of the anterior cerebral artery were scored （1 point：poor，5 points：excellent）.Results The SNR and CNR showed differences in the images reconstructed by AiCE （low，medium，and high intensity） and AIDR 3D （all Plt;0.01）.The quality scores of the image reconstructed by AiCE （low，medium，and high intensity） and AIDR 3D were 4.78±0.41，4.92±0.27，4.97±0.16，and 3.92±0.27，respectively，which showed statistically significant differences （all Plt;0.001）.Conclusion AiCE outperformed AIDR 3D in reconstructing the images of head and neck CTA at 100 kVp，being capable of improving image quality and applicable in clinical examinations.

Key words：CT angiography；three-dimensional adaptive iterative dose reduction；deep learning reconstruction；image quality

Acta Acad Med Sin，2023，45（3）：416-421

頭頸CT血管造影（CT angiography，CTA）屬于無創檢查，操作簡單、準確性高，與數字減影血管造影（digital subtraction angiography，DSA）診斷的一致性較好，可用于評估血管狹窄程度和顯示動脈粥樣硬化斑塊等，是目前臨床篩查頭頸部血管疾病的主要方法［1-3］。近年來隨著計算機硬件技術的更新升級，各種圖像重建技術不斷出現，以期獲得噪聲低、信噪比（signal-to-noise ratio，SNR）高的優質圖像。傳統的濾波反投影（filtered back projection，FBP）技術具有重建速度快、硬件要求低等優勢，但圖像噪聲高、解剖細節顯示不清，不利于精細血管的顯示，限制了其在臨床上的應用［4-5］。三維自適應迭代劑量降低（three-dimensional adaptive iterative dose reduction，AIDR 3D）算法是一種基于原始數據及圖像空間的迭代重建技術，能夠自適應性地使圖像質量在噪聲抑制和細節保留之間取得平衡，但其只能解決部分傳統FBP算法問題［6-7］。基于深度學習的高級智能Clear-IQ引擎（advanced intelligent Clear-IQ engine，AiCE）

為一種先進的圖像處理算法，可智能地根據不同部位進行圖像重建，大幅度降低圖像噪聲，提高圖像質量，并清晰顯示細微結構［8-9］。目前國內外關于頭頸部AiCE算法的研究較少。本研究通過對比100 kVp條件下頭頸CTA檢查中AIDR 3D與不同重建等級AiCE圖像之間的差異，探討深度學習重建技術對頭頸CTA圖像質量的影響，為臨床疾病診斷提供參考。

資料和方法

資料來源 回顧性收集2021年3至4月在北京協和醫院行頭頸CTA檢查的患者37例，納入標準：年齡18周歲及以上且能配合檢查；排除標準：圖像有明顯運動偽影或義齒偽影。本研究通過北京協和醫院倫理委員會審批（倫理審查編號：HS-2175）。

CT檢查方法 采用日本佳能Aquilion ONE GENESIS 320排CT掃描儀，掃描范圍由主動脈弓至顱頂，設定監測觸發位置為胸主動脈，閾值設置為180 HU，使用雙筒高壓注射器經患者右側肘正中靜脈以4.0 ml/s的速率注射非離子型對比劑碘帕醇（370 mgI/ml）和生理鹽水各40 ml，采用Bolus Tracking技術自動觸發增強血管掃描模式，掃描參數：管電壓100 kVp，自動管電流調制，轉速0.5 s/r，噪聲指數7.5，濾波函數FC43，重建顯示視野30 cm×30 cm，準直器0.5×160，矩陣512×512，螺距0.8，層厚1 mm，層間距1 mm。掃描完成后重建出AIDR 3D與AiCE低、中、高強度4組薄層圖像，并對圖像進行最大密度投影（maximum intensity projection，MIP）處理，MIP圖像層厚設置為30 mm。

圖像質量評價 客觀評價：由1名具有3年工作經驗的放射科診斷醫師對4組重建圖像相同層面的主動脈弓、大腦中動脈、椎動脈、頸內動脈、頸外動脈、基底動脈、腦干處進行感興趣區（region of interest，ROI）的勾畫，選擇密度均勻區域，避開明顯病變或鈣化嚴重區域，范圍為管腔直徑或組織厚度的2/3，連續勾畫3個層面取平均值，記錄各ROI的CT值與標準差（standard deviation，SD）值，以腦干的SD值代表圖像背景噪聲。計算SNR和對比噪聲比（contrast-to-noise ratio，CNR）值，SNR動脈=動脈CT值/腦干SD值，CNR動脈=（動脈CT值-腦干CT值）/腦干SD值。主觀評價：由2名分別具有5年和15年工作經驗的放射診斷醫師對4組顱內血管MIP圖像進行評分，當評分結果不一致時，經共同復核后采用一致性評分作為最終評分，評分標準：5分，3級以上血管分支顯示清晰，噪聲小；4分，3級血管分支顯示清晰，噪聲小；3分，3級分支顯示欠清，噪聲較大；2分，2級分支顯示好，噪聲較大；1分，2級分支顯示差，噪聲大。圖像評分≥3分為滿足臨床診斷需求。

輻射劑量 記錄設備自動生成的各患者CT劑量容積指數（CT dose volume index，CTDIvol）和劑量長度乘積（dose length product，DLP），并計算有效劑量（effective dose，ED），公式為ED＝DLP×k，k為權重因子。因為頭頸部CTA檢查范圍較大，故本研究采用頭部、頸部、胸部各占1/3權重的方式進行計算，即k=0.008 23［10］。

統計學處理 采用R軟件（3.6.1）進行統計分析，符合正態分布的計量資料組間比較采用配對樣本t檢驗，多組間比較采用單因素重復測量方差分析；非正態分布的計量資料組間比較采用Wilcoxon符號秩檢驗，多組間比較采用Friedman檢驗。Plt;0.05為差異有統計學意義。

結" 果

一般情況 37例行頭頸CTA檢查的患者中，男性21例，女性16例，年齡28～82歲，平均（56±15）歲，平均體重指數（body mass index，BMI）（24.44±3.25）kg/m2。頭頸部血管動脈粥樣硬化24例、大動脈炎1例、手術支架置入3例、動脈瘤4例、神經鞘瘤1例，其他4例。

客觀質量評價 AiCE低、中、高強度和AIDR 3D組圖像的SD值比較差異有統計學意義（P均lt;0.01），且隨著AiCE重建等級的提高SD值降低。AiCE低、中、高強度和AIDR 3D組圖像的SNR值比較差異有統計學意義（P均lt;0.01），除主動脈弓外，其他部位AIDR 3D組的SNR值最低。AiCE低、中、高強度和AIDR 3D組圖像的CNR值比較差異有統計學意義（P均lt;0.01），且AiCE高強度組CNR值最高，AIDR 3D組CNR值最低（表1）。

主觀質量評價 AiCE低、中、高強度和AIDR 3D組圖像的質量評分分別為（4.78±0.41）、（4.92±0.27）、（4.97±0.16）、（3.92±0.27）分，AiCE不同重建等級與AIDR 3D組比較差異均有統計學意義（P均lt;0.001）（圖1）。

輻射劑量 37例患者平均CTDIvol為（5.08±0.40）mGy，平均DLP為（246.56±25.64）mGy·cm，平均ED為（2.03±0.21）mSv。

討" 論

本研究比較頭頸CTA檢查中不同重建等級AiCE圖像與AIDR 3D之間的差異，結果顯示AiCE的中、高強度重建算法具有更好的圖像質量。

頭頸CTA檢查速度快、操作簡單，是臨床上檢查腦血管病的重要影像學方法［11］。如何利用現有重建技術且在不增加對比劑劑量、濃度和輻射劑量的情況下實現頭頸部小血管的精細顯像是放射科醫師關注的重點問題。目前改善血管顯示情況有多種方法，如適當降低管電壓提高組織的CT值、改進圖像后處理重建方法［12-13］、選擇合適濃度的對比劑、選用合適的探測器寬度［14］等。本研究通過使用基于深度學習的人工智能圖像處理算法對頭頸部血管圖像質量進行優化。AiCE是一種基于深度卷積神經網絡技術的全新圖像重建算法，該算法以高質量的基于模型的迭代重建圖像數據集作為訓練目標，使之能夠區分信號和噪聲，并保留和增強特征信號，在較低的輻射劑量條件下能快速重建出低噪聲的高質量圖像［15-16］。AiCE在冠狀動脈成像、低劑量胸腹部成像和CT肺動脈造影（CT pulmonary angiography，CTPA）檢查方面已被證實可取得滿意效果。Bernard等［17］發現應用深度學習重建算法進行心臟冠狀動脈CTA成像時，與迭代重建算法相比，AiCE組的輻射劑量降低40%，圖像質量則提高50%。Singh等［18］在對低劑量胸腹盆部CT檢查的研究中發現AiCE算法的圖像質量和病變檢出能力優于FBP、AIDR 3D算法。Lenfant等［19］對比AiCE和AIDR 3D算法在CTPA檢查中的差異，結果顯示AiCE能顯著改善急癥CTPA檢查的圖像噪聲和整體圖像質量，并顯著降低輻射劑量。本研究通過客觀指標和主觀評分兩方面對100 kVp條件下AIDR 3D組與AiCE不同重建等級的3組圖像在頭頸CTA檢查中的圖像質量進行比較，探討深度學習重建算法在頭頸CTA檢查中的應用價值。

本研究客觀指標評價結果顯示，在CT值方面，除主動脈弓AiCE組相較于AIDR 3D組高36 HU外，其余各部位CT值均略低于AIDR 3D組，與Lenfant等［20］研究結果近似。在SD值方面，各測量處的SD值隨著AiCE重建等級的提高而呈現逐漸降低的趨勢，AiCE高強度組在頸外動脈處相較于AIDR 3D組降低43%，除主動脈弓外，其他部位AIDR 3D組圖像的SD值均高于AiCE組。而主動脈弓處AiCE低強度組的SD值高于AIDR 3D組的原因可能與胸廓入口層面結構復雜，AiCE低強度算法重建強度較低不足以克服這些復雜因素有關。在SNR值方面，同樣除主動脈弓處AiCE低強度組的SNR值低于AIDR 3D組外，其他血管處AiCE組SNR值均高于AIDR 3D組。在表征圖像質量的CNR值［21-22］方面，AIDR 3D與AiCE的3組不同重建等級圖像相比差異均具有統計學意義（P均lt;0.01），在各測量血管處AIDR 3D組圖像的CNR值最低，AiCE高強度組圖像的CNR值最高，尤其在主動脈弓處AiCE高強度組CNR值比AIDR 3D組提高173%。因此在客觀指標評價方面，AiCE不同重建等級組的圖像質量均優于AIDR 3D組，且AiCE高強度組CNR值最高，圖像質量最好。在主觀評價方面，4組圖像均能滿足診斷要求，AiCE中、高強度組評分較高。

本研究存在一些局限性：（1）樣本量較少，評價范圍未包括頭頸部病變，未來可進一步探討頭頸部血管不同狹窄程度及病變的顯示差異；（2）未分析其他影響圖像質量的因素，如支架置入等，后續可擴大樣本量來進一步研究。

綜上，本研究結果顯示，在頭頸CTA檢查圖像質量方面，AiCE與AIDR 3D相比表現更好，其中AiCE中、高強度可以顯著降低噪聲，提高圖像質量，可以在臨床檢查中加以應用。

參 考 文 獻

［1］岳夢穎，張皓，駱伊麗，等.雙能量CT虛擬單能量成像技術在頭頸CTA圖像優化中的應用［J］.臨床放射學雜志，2021，40（4）：810-814.DOI：10.13437/j.cnki.jcr.2021.04.040.

［2］曲雅梅，袁慶城，李健，等.16排螺旋CT頭頸CTA聯合腦灌注成像鑒別診斷急性腦梗死的臨床價值［J］.影像研究與醫學應用，2021，5（12）：47-48.DOI：10.3969/j.issn.2096-3807.2021.12.023.

［3］馬光明，于勇，陳靜，等.能譜CT單能量技術優化頭頸CTA圖像質量研究［J］.中國醫療設備，2021，36（8）：86-89.DOI：10.3969/j.issn.1674-1633.2021.08.021.

［4］盛欣，肖喜剛，張金玲.低劑量冠狀動脈CT血管成像不同重建算法的應用與進展［J］.醫學綜述，2018，24（5）：997-1001.DOI：10.3969/j.issn.1006-2084.2018.05.032.

［5］蔣駿，雷益，溫紅，等.IMR、iDose4及FBP結合不同管電壓冠狀動脈CT成像的實驗研究［J］.中國現代醫學雜志，2020，30（2）：6-13.DOI：10.3969/j.issn.1005-8982.2020.02.002.

［6］Yamada Y，Jinzaki M，Hosokawa T，et al.Dose reduction in chest CT：comparison of the adaptive iterative dose reduction 3D，adaptive iterative dose reduction，and filtered back projection reconstruction techniques［J］.Eur J Radiol，2012，81（12）：4185-4195.DOI：10.1016/j.ejrad.2012.07.013.

［7］Gervaise A，Osemont B，Louis M，et al.Standard dose versus low-dose abdominal and pelvic CT：comparison between filtered back projection versus adaptive iterative dose reduction 3D［J］.Diagn Interv Imaging，2014，95（1）：47-53.DOI：10.10 16/j.diii.2013.05.005.

［8］Tanabe N，Sakamoto R，Kozawa S，et al.Deep learning-based reconstruction of chest ultra-high-resolution computed tomography and quantitative evaluations of smaller airways［J］.Respir Investig，2022，60（1）：167-170.DOI：10.1016/j.resinv.2021.10.004.

［9］Tamura A，Mukaida E，Ota Y，et al.Deep learning reconstruction allows low-dose imaging while maintaining image quality：comparison of deep learning reconstruction and hybrid iterative reconstruction in contrast-enhanced abdominal CT［J］.Quant Imaging Med Surg，2022，12（5）：2977-2984.DOI：10.21037/qims-21-1216.

［10］趙坤.64排螺旋CT頭頸CTA成像質量影響因素的分析研究［D］.濟南：山東大學，2012.

［11］黃楓凌.頭頸CTA個性化對比劑低劑量掃描可行性研究［J］.影像研究與醫學應用，2019，3（21）：85-86.

［12］趙華，周雁玲，鄭國良.迭代重建技術對頭頸部動脈CT血管成像圖像質量和輻射劑量的影響［J］.海南醫學，2017，28（12）：1971-1974.DOI：10.3969/j.issn.1003-6350.2017.12.026.

［13］王賢坤，鄒才盛.不同管電壓對頭頸CTA圖像質量及輻射劑量的影響分析［J］.影像研究與醫學應用，2019，3（5）：21-23.

［14］崔茹欣，鐘朝輝，王振常，等.探測器寬度對頭頸CTA圖像質量及輻射劑量影響的對比研究［J］.臨床放射學雜志，2020，39（1）：165-168.DOI：10.13 437/j.cnki.jcr.2020.01.035.

［15］Akagi M，Nakamura Y，Higaki T，et al.Deep learning reconstruction improves image quality of abdominal ultra-high-resolution CT［J］.Eur Radiol，2019，29（11）：6163-6171.DOI：10.10 07/s00330-019-06170-3.

［16］Greffier J，Dabli D，Frandon J，et al.Comparison of two versions of a deep learning image reconstruction algorithm on CT image quality and dose reduction：a phantom study［J］.Med Phys，2021，48（10）：5743-5755.DOI：10.1002/mp.15180.

［17］Bernard A，Comby PO，Lemogne B，et al.Deep learning reconstruction versus iterative reconstruction for cardiac CT angiography in a stroke imaging protocol：reduced radiation dose and improved image quality［J］.Quant Imaging Med Surg，2021，11（1）：392-401.DOI：1 0.21037/qims-20-626.

［18］Singh R，Digumarthy SR，Muse VV，et al.Image quality and lesion detection on deep learning reconstruction and iterative reconstruction of submillisievert chest and abdominal CT［J］.AJR Am J Roentgenol，2020，214（3）：566-573.DOI：10.2214/AJR.19.21809.

［19］Lenfant M，Chevallier O，Comby PO，et al.Deep learning versus iterative reconstruction for CT pulmonary angiography in the emergency setting：improved image quality and reduced radiation dose［J］.Diagnostics （Basel），2020，10（8）：558.DOI：10.3390/ diagnostics10080558.

［20］Lenfant M，Comby PO，Guillen K，et al.Deep learning-based reconstruction vs.iterative reconstruction for quality of low-dose head-and-neck CT angiography with different tube-voltage protocols in emergency-department patients［J］.Diagnostics （Basel），2022，12（5）：1287.DOI：10.3390/diagnostics12051287.

［21］梁永超，莫夏萍，鄧德茂，等.頭頸部CTA中預測試的劑量優化研究—“三低”聯合窄準直器寬度的應用效果［J］.臨床放射學雜志，2018，37（1）：143-147.DOI：10.13437/j.cnki.jcr.2 018.01.037.

［22］楊楓，鄭書剛，鄭彩端.256層螺旋CT雙低劑量模式對頭頸CTA圖像質量的影響研究［J］.西南國防醫藥，2018，28（11）：1058-1061.DOI：10.3969/j.issn.1004-0188.2018.11.022.

（收稿日期：2022-06-24）