基于人工智能質控系統改善胸部CT圖像質量

李梅芳,袁才興,周志敏,嚴坤龍,林永平,李志芳

(1.莆田學院附屬醫院醫學放射科,福建 莆田 351100;2.廈門理工學院光電與通信工程學院,福建 廈門 361024;3.福建師范大學光電與信息工程學院,福建 福州 350117)

CT、尤其胸部CT已成為應用最廣的影像學檢查[1],其圖像質量受曝光條件[2-3]、重建算法[4-7]、檢查前準備及患者配合度[8]等影響,且需盡可能滿足低劑量射線原則[9]。目前多在人工層面實施CT圖像質量控制,人力成本較高,誤差不可避免,且對非檢查部位防護有所不足。本研究觀察基于卷積神經網絡(convolutional neural network, CNN)的人工智能(artificial intelligence, AI)質控系統用于改善胸部CT圖像質量的價值。

1 資料與方法

1.1 研究對象 回顧性收集2020年1月1日—2022年11月31日于莆田學院附屬醫院接受胸部CT檢查的415例患者,男232例、女183例,年齡37～80歲、平均(58.8±9.9)歲;共1 726幅CT圖像,將其中1 414幅用于CNN訓練、312幅用于驗證。另前瞻性納入21例因胸部CT圖像質量不合格而擬接受重檢患者,男14例、女7例,年齡38～80歲、平均(61.8±18.2)歲。本研究獲醫院審查委員會批準(202132);患者均知情同意。

1.2 儀器與方法 采用Siemens Somatom Definition Dual Source或GE Lightspeed CT機行胸部掃描,采集肺窗薄層CT圖像,管電壓120～150 kV,自動管電流(50～800 mA),層厚0.625～1 mm。

1.3 質控系統架構 本研究構建的胸部CT臨床質控系統架構包含標注數據、圖像預處理及CNN識別共3個流程。見圖1。

圖1 胸部CT質控系統架構示意圖

1.3.1 標注數據 對胸部CT圖像進行脫敏處理;根據放射防護評定標準和CT圖像質量評定標準確定原始胸部CT圖像質量類型;將三維胸部CT分為橫斷面、矢狀面和冠狀面多視角圖像。

1.3.2 圖像預處理 對掃描視野內有無金屬異物、體位(受檢部位是否處于掃描視野中心、兩臂是否上舉)、防護(頭頸部和腹部)、掃描基線、氣管隆嵴膜部特征、雙肺下葉血管支氣管束特征及肋骨特征7個項目進行檢測。主要基于CT橫斷面和冠狀面檢測金屬異物、判斷體位和掃描基線,主要基于CT橫斷面和矢狀面檢測氣管隆嵴膜部特征、雙肺下葉血管支氣管特征及肋骨特征,主要基于CT冠狀面檢測防護。

體位：上舉兩臂時,兩側各見1個檢測框,如某側臂未上舉,則該側檢測框不可見;以CT圖像中心點為圓心、50像素為半徑畫圓,以身體中心點在圓內為其位于掃描視野中心。防護：以檢測框框出防護部位,觀察頭頸部及腹部是否可見檢測框。掃描基線：以肺尖上方15 mm為掃描起始基線、肺底下方20 mm為終止基線[10],基于無掃描基線冠狀面CT圖像分割肺部輪廓,并于存在掃描基線冠狀面CT圖像中提取基線,將肺部輪廓分割圖與提取基線圖疊加,判斷掃描基線是否準確。氣管隆嵴膜部特征：于清晰顯示氣管隆嵴圖像中分割氣管隆嵴,根據膜部相對于氣管內腔的位置將其形態分為凸、平及凹3種(圖2)。雙肺下葉血管支氣管束特征：觀察血管支氣管束顯示情況,將其分為清晰銳利、模糊、雙影及卷毛(圖3)。肋骨特征：觀察圖像顯示肋骨情況,分將其為清晰銳利、皺褶、雙影及多影。

圖2 胸部CT圖示氣管隆嵴膜部形態特征 A.凸; B.平; C.凹 (上排為CT圖,下排為對應分割圖)

圖3 胸部CT圖示方框內雙肺下葉血管支氣管束特征 A.清晰銳利; B.模糊; C.雙影; D.卷毛 (框內數字為AI標簽)

1.3.3 CNN識別 采用YOLO算法[11-12]檢測掃描視野內金屬異物、體位(雙臂是否上舉)、防護、雙肺下葉血管支氣管束特征及肋骨特征共5個項目;以U-Net算法[13-14]檢測掃描視野內體位(受檢部位是否位于掃描視野中心)、掃描基線及氣管隆嵴膜部特征共3個項目。

1.4 模型訓練及驗證 由具有10年以上工作經驗的影像科醫師對胸部CT圖像進行標記,通過隨機剪切、縮放、旋轉、拉伸、水平及垂直翻轉增加訓練集樣本量;采用CNN YOLO或U-Net模型對輸入訓練集進行訓練,并以之進行驗證。

利用上述質控系統對21例擬接受重檢者進行檢查;以病理結果為金標準,對比采用質控系統前、后CT圖像質量。

1.5 評估指標 采用精確率(Precision)、召回率(Recall)、F1分數(F1-Score)評價模型訓練結果,以平均精度均值(mean average precision, mAP)和交并比(intersection over union, IOU)分別評價YOLO及U-Net模型的診斷效能[15]。

2 結果

基于AI質控系統行胸部CT的Precision、Recall、F1-Score、mAP及IOU均較佳,見表1。

表1 基于AI胸部CT質控系統用于胸部CT的效能

基于質控系統的重檢CT正確診斷全部21例。19例首次CT誤診,包括8例浸潤性癌、3例微浸潤性癌(圖4)、2例原位癌首次均診斷為炎癥;其中,首次CT誤診3例微浸潤性癌為原位癌、1例微浸潤性癌為浸潤性癌、1例原位癌為微浸潤性癌、1例隱球菌感染為普通炎癥;2次CT檢查中,此19例顯示的肺結節面積、體積及圖像質量無明顯區別,而顯示結節形態、邊界、棘狀突起、空泡、及充氣支氣管征跡增粗扭曲血管等差異較大。其余2例浸潤性癌中,首次CT漏診1例、正確診斷1例。

圖4 患者男,61歲,右肺下葉微浸潤性腺癌 A.首次CT圖示右肺下葉后基底段結節灶,邊界模糊,診斷為右下肺炎癥; B.基于質控系統重檢CT圖示右肺下葉后基底段混合磨玻璃結節灶,邊界清,內見支氣管征及增粗扭曲血管,診斷為右肺下葉微浸潤腺癌

3 討論

AI已用于臨床分析肺結節、定量評估肺氣腫、切除肺結節術前規劃及提供胸部結構化報告等,但少見用于胸部CT圖像質控的報道。

近年生產的CT設備通常包含自動管電流調節技術等智能化軟件,可根據患者具體情況如體質量、身高、體脂率等自動計算,得出最優個體化掃描參數,以利于控制圖像質量;但在CT檢查前準備(如去除體表金屬異物、憋氣訓練等)及患者放射防護等方面仍停留在人工層面,成本高、效率低。

YOLO算法是目標檢測模型,用于檢測和定位圖像中的物體,并輸出該物體邊界框坐標和相關類別標簽,適用于檢測掃描視野內的金屬異物、體位及放射防護。U-Net算法為適用于圖像分割的神經網絡模型,以像素級別進行數據標注,并輸出像素級別的分割掩碼,可準確顯示掃描視野內體位、掃描基線及氣管隆嵴膜部特征等[16]。與YOLO算法相比,U-Net算法雖然速度較慢,但分割更為精細。本研究采用CNN,基于AI實行CT圖像質控,結果顯示其效能較佳,且可準確診斷首次CT漏、誤診病例。

綜上所述,基于AI質控系統有助于改善胸部CT圖像質量、提高診斷效能。但本研究僅為單中心初步分析,樣本量小,有待后續進一步驗證。

利益沖突：全體作者聲明無利益沖突。

作者貢獻：李梅芳查閱文獻、研究設計、數據和統計分析、撰寫、修改和審閱文章,經費支持;袁才興、周志敏、嚴坤龍和林永平圖像處理;李志芳修改文章。