基于深度學習的圖像重建算法在下肢動脈病變CTA診斷中的研究

陳蕓，朱彥，王揚，趙天，李月峰，陳興兵

1. 江蘇大學附屬醫院 醫學影像科，江蘇 鎮江 212001；2. 高郵市人民醫院 放射科，江蘇 揚州 225600

引言

下肢動脈病變是臨床常見的狹窄或閉塞疾病[1]，準確的血管參數評估對該疾病治療決策和健康管理至關重要。數字減影血管造影（Digital Subtraction Angiography，DSA）具備高分辨率血管圖像的卓越優勢，被認為是該疾病診斷的“金標準”[2]。然而，DSA的參數局限性限制了其在臨床實踐中的應用，包括侵入性強、放射線暴露量大以及無法提供三維解剖信息等[3]。隨著CT 血管成像（Computed Tomography Angiography，CTA）技術的發展[4]，信息提供的全面性和隨訪便捷性使其在無創性檢查領域受到了廣泛認可。不斷改善CTA圖像質量以獲得更佳的診斷效果已成為學界共同的技術目標。近年來，基于深度學習的圖像重建技術（Deep Learning Image Reconstruction，DLIR）已成熟應用于心臟、主動脈等多個成像領域[5-8]。DLIR 能夠通過學習大量的圖像數據，優化圖像質量、減少噪聲以及提升對比度，提供更加清晰準確的圖像信息[9,10]。本研究旨在基于DLIR 來改善下肢動脈病變CTA 圖像質量，為疾病診斷和治療提供更加可靠、精準的圖像支持。

1 資料與方法

1.1 一般資料

回顧性收集2021 年6 月至2022 年2 月我院血管科收治的下肢動脈狹窄病變的51 例患者資料。納入標準：① 下肢動脈經DSA 和CTA 檢查確診為雙側或單側下肢動脈狹窄或閉塞；② 年齡20～50 歲；③ 源圖像存在并可重建至0.625 mm 層厚。排除標準：① 外傷或占位性病變；② 圖像質量不佳。共計51 例患者資料（65 條下肢動脈），其中男性28 例，女23 例，平均年齡（62.3±7.2）歲。51 例患者中，51 例合并糖尿病，34 例合并高血壓病，26 例合并高脂血癥，22 例合并冠心病，14 例有腦梗死病史。51 例患者均有不同程度的肢端發涼、紅腫，間歇性跛行，靜息痛，皮膚潰瘍等提示下肢動脈供血不足的跡象。所有受試者對影像學資料的使用均知情同意，本研究經本院倫理委員會批準（批準文號：SWYXLL20210401）。

1.2 檢查方法

以DSA 結果為“金標準”，檢查動脈包括患側髂總動脈、髂外動脈、股動脈（股深動脈及股淺動脈）、腘動脈、脛前動脈、脛后動脈、腓動脈及足背動脈。DSA 檢查：采用Innova 4100 DSA（GE，美國）。采用Seldinger 法經股動脈或橈動脈穿刺，將插管送至患肢動脈。CTA 檢查：采用256 排Revolution CT 機（GE，美國）。患者取仰臥位，足頭位，掃描范圍自L3 椎體上緣至足尖。用高壓注射器將對比劑碘海醇（揚子江藥業集團有限公司，300 mgI/mL）以4.0 mL/s 注射入肘前靜脈80～100 mL，再以相同流率注射0.9% 氯化鈉溶液20 mL，以自動跟蹤觸發技術掃描，選取L3 水平的腹主動脈作為監測層面，感興趣區（Region of Interest，ROI）強化幅度達到平臺期后觸發掃描，閾值設為120 HU。掃描參數：管電壓120 kV，管電流采用智能控制，準直器數量及寬度64×0.625 mm，螺距0.61 mm，球管轉速0.75 s/r。獲得的原始數據以DICOM 格式傳入工作站，用于后續進行混合迭代重建（Hybrid Iterative Reconstruction，HIR）和DLIR[11]。在HIR 中，使用噪聲抑制技術與濾波反投影（Filtered Back Projection，FBP）相結合。根據我院目前的臨床掃描標準，通常將噪聲抑制技術的比例調整為60%。DLIR 生成在額定輻射劑量下獲得的FBP 輸入正弦圖上訓練的圖像，有低、中和高強度設置下的DLIR 算法可供用戶選擇，鑒于增加的DLIR 權重預計可能會帶來更好的圖像質量[12]，本文選用了高強度權重DLIR 進行圖像重建。所有操作均由經驗豐富的影像科技師和護師共同完成。

1.3 評估方法

圖像噪聲、信噪比（Signal to Noise Ratio，SNR）和對比噪聲比（Contrast Noise Ratio，CNR）被用于圖像質量的客觀性評價。分別在3 段下肢動脈觀察層面進行測量，CT 值用CT動脈表示，ROI 面積盡可能大，同時避開鈣化和偽影。將ROI 置于髖關節周圍、髕骨下方及踝關節周圍，以空氣測量CT 值的標準差作為背景噪聲，用CT背景噪聲表示；并測量股二頭肌、腓腸肌及踝關節層面跟腱CT 值，用CT肌肉或肌腱表示。SNR 被定義為CT動脈/CT背景噪聲，CNR 被定義為（CT動脈-CT肌肉或肌腱）/CT背景噪聲。CTA 檢查的圖像均由具有5 年工作經驗的兩位醫師采用盲法閱片。對診斷不一致的病例進行協商報告，報告內容包括狹窄部位和分級。血管分支定義為：膝上動脈，包括髂總動脈、髂外動脈至股淺動脈；膝下動脈，包括腘動脈、脛前動脈、脛后動脈、腓動脈；足背動脈。血管狹窄程度定義為：輕度狹窄，狹窄程度＜50%；中度狹窄，50%≤狹窄程度≤75%；重度狹窄或閉塞，75%＜狹窄程度≤100%[13]。

1.4 統計學分析

采用SPSS 22.0 統計學軟件進行數據分析。采用Shapiro-Wilk test 和Levene's test 分別對數據進行正態性檢驗和方差齊性檢驗。非正態分布的連續變量用M[P25，P75]表示，組間比較行Mann-WhitneyU檢驗。用Kappa 檢驗對兩名醫師在HIR 和DLIR 圖像的診斷結果進行一致性分析，Kappa＞0.8 為一致性好，0.4≤Kappa≤0.8 為一致性較好，Kappa＜0.4 為一致性較差。以DSA 結果為“金標準”，分別計算下肢動脈CTA 診斷中度和重度狹窄病變的敏感度、特異性、準確度，并使用McNemar 檢驗來評估HIR 組和DLIR 組敏感度和特異性是否存在顯著差異。以P＜0.05 為差異有統計學意義。

2 結果

2.1 下肢動脈狹窄患者DSA診斷結果

51 例患者共計65 條下肢動脈病變，每條下肢動脈的3 段動脈均取其中狹窄程度最嚴重的一處病變進行分析，其中膝上動脈（56.9%）和足背動脈（53.8%）以輕度狹窄為主，膝下動脈（38.5%）以中度狹窄為主。DSA 檢查結果如表1 所示。

表1 下肢動脈病變患者DSA診斷結果（例）

2.2 兩種重建算法圖像客觀質量評估比較

與HIR 相比，DLIR 顯著降低了下肢動脈各段圖像噪聲（Z膝上動脈=8.36，Z膝下動脈=9.46，Z足背動脈=7.19，均P＜0.001），改善范圍為25.9%～34.6%。相應地，SNR 提高了43.8%～53.3%（Z膝上動脈=-7.32，Z膝下動脈=-7.91，Z足背動脈=-8.45，均P＜0.001），CNR 提高了38.9%～53.3%（Z膝上動脈=-8.66，Z膝下動脈=-9.21，Z足背動脈=-8.52，均P＜0.001），見表2、圖1～2。

圖1 下肢動脈狹窄患者HIR圖像（a）和高強度DLIR圖像（b）

表2 兩種重建算法圖像客觀質量評估比較{M[P25，P75]}

2.3 觀察者間一致性分析

Kappa 檢驗報告了兩種重建算法均具備醫師間良好的觀察一致性，但DLIR 的觀察者間一致性（Kappa=0.86）仍高于HIR（Kappa=0.75）。對于不同的局部解剖部位，HIR 與DLIR 的觀察者間一致性如下：膝上動脈（0.82vs. 0.91）、膝下動脈（0.76vs. 0.85）、足背動脈（0.71vs. 0.84）。

2.4 下肢動脈病變的診斷效能分析

與HIR 相比，DLIR 的圖像對膝下動脈重度狹窄的敏感度（72.2%vs. 94.4%）、特異性（78.7%vs. 95.7%）；足背動脈中度狹窄的特異性（86.0%vs. 97.7%）及重度狹窄的敏感度（50.0%vs. 87.5%）均顯著提高（P＜0.05）；膝上動脈及膝下動脈中度狹窄、膝上動脈重度狹窄的診斷效能無顯著差異（P＞0.05），見表3。

表3 兩種算法對CTA重建后診斷下肢動脈重度狹窄的效能比較[%，（n/N）]

3 討論與結論

本研究在深度學習算法的醫學應用、醫師診斷效能以及降低輻射劑量方面具有顯著創新性。相較于既往手動、效率低下的圖像處理算法，深度學習模型依靠其強大的特征學習能力，對圖像特征進行高級提取和優化，極大增強了圖像的對比度、清晰度和精確性[14]。這一優勢尤其適用于處理下肢動脈這類具有復雜血管結構和噪聲干擾的圖像。其次，伴隨著下肢動脈CTA 圖像質量的優化，醫師的診斷效能也得到了提升。醫學圖像在下肢動脈病變的診斷中扮演著關鍵角色，而圖像質量更是直接影響著醫師對病變的準確診斷和治療規劃。深度學習增強的圖像使醫師能夠更容易識別和定位病變部位，從而有效減少誤診和漏診風險。最重要的是，這一算法的應用降低了圖像對對比劑的依賴性，有助于降低患者的輻射暴露和不良反應風險，對于需要長期接受多次檢查和腎功能損害的患者至關重要。深度學習算法通過減少圖像噪聲，有望在保持圖像質量的前提下減少輻射劑量和碘劑使用。

通過在下肢動脈CTA 的圖像處理中引入深度學習算法，客觀圖像質量得到了顯著提升。相應地，醫師間對于同一病例的診斷也更為一致。這是基于先進算法優化后提供了更精準的圖像[15]，而非圖像美化后病變失真造成的誤診一致。在此基礎上，本文針對優化前造成CTA 病變部位誤診或漏診的病例進行了詳細分析，與DSA 的診斷分歧總是表現為過度評價或評價不足。圖像中密集鈣化血管常表現出高衰減特性，其衍生的暈染效應及硬化偽影可能是高估的根本原因。既往研究利用雙能量CT 測量不同能量下的圖像特征來區分鈣化和非鈣化組織，并在后處理中可減去血管壁中含有鈣的體素[16]。然而，設備成本高、技術復雜、適用范圍有限、操作依賴性強等缺點限制了其臨床應用[17]。另一方面，組織中的小血管因受部分容積效應的影響，狹窄區域的密度被扭曲則可能會造成低估。對于假陰性病例，這樣的影響在圖像中會呈現出模糊的特征，從而導致漏診。雖然延遲掃描時間、減小體素尺寸或使用較小的層厚等方案可緩解這些不良影響，但受試者無法避免地接受更多的輻射劑量。對于假陽性病例，其中一部分是圖像中的運動偽影引起的。盡管本研究在DLIR-CTA 中進行了針對高流速血液的對比度優化，但在某些情況下，仍可能出現運動偽影，導致狹窄區域的誤判。本研究構建的DLIRCTA 能有效應對上述多樣化的圖像質量問題，包括在常規降低噪聲，改善SNR 的基礎上，增強了脈管內外和小血管邊緣的對比度；減弱甚至去除鈣化偽影；以及對空間分辨率進行重建改善。

首先，本研究展示了DLIR 技術在醫學圖像處理中的成功應用。在處理類似的醫學圖像中的噪聲、對比度下降等問題時，可以通過引入深度學習模型來輔助客觀圖像質量提升。其次，針對鈣化偽影這類醫學圖像中的常見問題，可以通過DLIR 對大量圖像數據的學習來識別其結構和紋理特征，然后模型自適應地將其判別為異常結構并去除，以使圖像更清晰和準確[18]。最后，小血管邊緣的對比度增強處理提示了類似的小結構可視化的改善策略。DLIR 模型中包括多個卷積層，這些層能夠逐漸提取和強化小結構的邊緣特征并進行標記，以便于將其更清晰地與周圍組織分開[19]。

深度學習作為近年來新興的機器學習方法，已廣泛應用于醫學領域的輔助診斷、分類、圖像處理等方面。Su 等[20]基于心肌灌注成像的深度學習算法對心肌缺血進行輔助診斷；Tian 等[21]利用深度學習算法模型超聲內鏡圖像實時區分胰腺癌或非胰腺癌病變。本研究是基于深度學習在脈管系統圖像處理方面的應用，冠狀動脈CTA 和主動脈CTA 的DLIR 模型應用均取得了令人滿意的效果，Koo 等[22]評估了DLIR 算法在冠狀動脈CTA圖像重建的臨床可行性；Heinrich 等[23]證明了在主動脈CTA 中DLIR 改善圖像質量的能力超過了目前最先進的迭代重建水平，而關于下肢動脈病變CTA 圖像質量改善的研究卻鮮有報道。與其他相關研究相比，本研究的主要亮點在于借鑒了既往開發的脈管系統深度學習模型經驗，創新性地將DLIR 引入下肢動脈病變的診斷中。這些研究均是以臨床實際問題為導向構建的圖像質量優化算法，以提高醫師診斷效能和降低患者輻射暴露為目標。

本文的研究仍存在以下局限性：① 回顧性收集的病例僅來源于單中心的醫療機構，可能會存在選擇偏倚，未來需要聯合多中心研究來驗證DLIR 模型在不同臨床環境和硬件設備上的適用性；② 僅考慮各段動脈狹窄程度最嚴重的一處病變，限制了對動脈病變全貌的理解。未來將擴展病變評估范圍，更全面地了解模型的綜合表現，隨著持續的模型優化和更豐富的訓練數據，有望進一步提升DLIR 模型的性能。