噪聲指數聯合深度學習圖像重建對肺部CT圖像質量和輻射劑量的影響

摘要：目的 "探討深度學習圖像重建（DLIR）在超低劑量肺部CT成像中的應用價值。方法 "選取2024年3～4月在陜西中醫藥大學附屬醫院行肺部CT平掃患者66例。所有患者均采用GE Revolution CT掃描，固定管電壓100 kVp，第1次采用噪聲指數（NI）=15的常規輻射劑量掃描，濾波反投影算法重建圖像；第2次采用NI=45的超低輻射劑量掃描，中、高等強度深度學習圖像重建（DLIR-M、DLIR-H）進行對比。在3組重建圖像上測量左上肺乏血供區域CT值與標準差值（SD），SD代表噪聲，計算信噪比（SNR）。由2位放射科診斷醫師采用5分法進行主觀評價，比較3組客觀數值和主觀評分。結果 "NI=45組約減少93.7%輻射劑量；DLIR強度影響超低劑量條件下客觀指標，DLIR-H較DLIR-M有更低的噪聲，更高的SNR（Plt;0.05）；2位醫師對3組圖像質量一致性評價好（Kappa值為0.952、0.846、0.903）；對比3組圖像質量評分、圖像合格率及滿意率，差異無統計學意義 " " " " " （Pgt;0.05）。結論 "在減少93.7%輻射劑量條件下，DLIR能夠獲得與常規劑量接近的肺部圖像，進一步減低了肺部疾病篩查的輻射劑量。

關鍵詞：超低劑量；肺部CT；深度學習；圖像質量；輻射劑量

Impact of noise index combined with deep learning image reconstruction on image quality and radiation dose

LI Xin1， XU Long1， JIA Yongjun2， YU Nan2， YU Yong2， DUAN Haifeng1， 2

1School of Medical Technology， Shaanxi University of Chinese Medicine， Xianyang 712000， China; 2Department of Medical Imaging， Affiliated Hospital of Shaanxi University of Chinese Medicine， Xianyang 712000， China

Abstract： Objective To explore the application value of Deep learning image reconstruction （DLIR） in ultra-low-dose chest CT imaging．Methods A total of 66 patients with chest CT scans in the Affiliated Hospital of Shaanxi University of Traditional Chinese Medicine from March to April 2024 were collected．All patients were used GE Revolution CT scans， the fixed tube voltage was 100 kVp， and the first with conventional radiation dose with noise index （NI）=15， and filtered back projection reconstructed images；the second was scanned with ultra-low-dose with NI= 45， and medium and high intensity deep learning image reconstruction （DLIR-M、DLIR-H） were compared．The CT value and standard deviation （SD） of the left upper pulmonary hypovascular region were measured on three reconstructed images， SD represented noise， and the signal-to-noise ratio （SNR） was calculated. Subjective evaluation of 5-point method was used by two radiologists. The objective value and subjective score of three reconstructed images were compared. Results The NI=45 group reducted the radiation dose by 93.7%. The "intensity of DLIR affected the objective value under ultra-low-dose condition， DLIR-H resulted in ower noise and higher SNR than DLIR-M （Plt;0.05）. Two physicians evaluated the image quality consistency of the three reconstructed images （Kappa=0.952， 0.846， 0.903）. The image quality scores， pass rates and satisfaction rates had no significant differences between three groups （Pgt;0.05）．Conclusion Under the condition of reducing the radiation dose by 93.7%， DLIR can obtain images of the lung that are close to the conventional radiation dose， and the radiation dose for lung disease screening has been further reduced.

Keywords： ultra-low dose; lung CT; deep learning; image quality; radiation dose

目前，肺部CT檢查已廣泛應用于肺癌、肺炎篩查或需反復CT復查的患者中，與之密切相關的電離輻射也受到了人們的關注［1］。已有研究表明，電離輻射與癌癥發病率密切相關［2-4］，長期或頻繁暴露會增加患者患癌風險，約2%的癌癥由CT掃描中過高輻射劑量引起［5］。但輻射劑量降低必然導致圖像質量下降，因此在低劑量掃描時，保證圖像質量成為亟待解決的問題。濾波反投影（FBP）算法在超低劑量（ULDCT）掃描中因算法本身的限制在實際應用中受到限制［6］。近年來，基于人工智能的深度學習圖像（DLIR）重建技術已應用于臨床，能夠顯著降低低劑量圖像的噪聲，抑制偽影，達到提高或保證圖像質量的效果［7-11］。但既往研究受圖像重建技術的限制，僅將輻射劑量降低至0.88 mSv［12］。本研究聯合DLIR技術進一步降低輻射劑量，通過與常規劑量FBP重建圖像質量對比， 探討DLIR技術在超低劑量肺部CT成像中的應用價值，進一步降低患者輻射暴露。

1 "資料與方法

1.1 "一般資料

選取2024年3～4月在本院行肺部CT掃描的66例受檢者作為研究對象，其中男34例，女32例；年齡20～76（49.79±14.45）歲，BMI為23.46±2.79 kg/m2。

納入標準：年齡gt;18歲；患者能夠配合指令完成CT掃描；圖像無明顯運動偽影。排除標準：年齡lt;18歲；患者合并智力、認知功能障礙無法配合CT檢查；圖像運動偽影明顯；孕期婦女。本研究通過醫院倫理委員會批準（倫理審批號：SZFYIEC-PJ-2024年第[78]號），檢查經患者知情同意。

1.2 "掃描及重建方案

全部患者均行肺部CT掃描，采用GE Revolution 256排CT掃描儀。掃描開始前，囑咐患者保持仰臥位，雙手上舉，置于頭頂，對未掃描部位做好防護，并在調節好定位線后開始掃描。從肺尖開始掃描至肋膈角最低點為止。對每個患者均在1次屏氣期間掃描2次，采管電流自動調節協議預設兩組不同噪聲指數（NI），管電壓固定100 kVp，管電流自動調整控制輻射劑量。第1次為NI=15常規劑量CT掃描方案，第2次為超低劑量CT掃描方案。余掃描參數相同：掃描層厚、層間距5.0 mm，球管旋轉速度0.5 s/轉，螺距1.531：1，準直寬度80 mm。

對掃描原始數據采用不同重建算法，其中NI=15的常規劑量CT圖像采用FBP算法進行圖像重建，重建內核為Lung；NI=45的超低劑量圖像采用中、高等強度深度學習算法（DLIR-M和DLIR-H）進行圖像重建，重建內核為Standard-E3。所得3組圖像均采用肺窗進行重建，窗寬為1500 HU，窗位為-600 HU。重建層厚、層間距均為1.25 mm。

1.3 "圖像質量評價

1.3.1 " 主觀評價 " 由2位具有5年和8年以上工作經驗的影像診斷醫師（A、B）觀察3組肺部圖像，并對圖像質量進行獨立評分，并記錄各自評分結果，用于一致性分析評價。當兩者意見存在分歧時，先協商討論得出統一結果，若還存在不一致，則以科室內一位副主任醫師評價結果為準。對3組圖像采用5分法進行主觀評價［13］ （主要觀察肺組織噪聲、主氣管、中央及周圍肺血管、支氣管），評分標準：1分（很差），圖像噪聲較大，肺組織結構顯示不清，無法診斷；2分（較差），圖像噪聲較大，肺組織結構顯示欠清，影響診斷；3分（一般），圖像噪聲一般，肺組織結構顯示一般，可以診斷；4分（良好），圖像噪聲較小，肺組織結構顯示較清楚，滿足診斷；5分（優），圖像噪聲小，肺組織結構顯示清晰，滿足診斷。統計圖像合格率、滿意率，合格圖像定義為圖像質量評分≥3分，滿意圖像定義為圖像質量評分≥4分［14］ 。

1.3.2 "客觀評價 " 將所有上述患者重建圖像數據傳至GE AW4.7后處理工作站進行測量分析。為保證客觀數據測量的一致性，3組重建圖像數據均由同一位放射科主治醫師（5年以上工作經驗）測量。在3組肺窗重建圖像中，利用軟件自帶的聯動功能，于同一層面選擇左肺上葉乏血運區域（盡量避開支氣管、肺血管）勾畫形狀、大小、位置一致的類圓形感興趣區（ROI），ROI范圍為50～100 mm2。分別測量3次取平均值，采用復制粘貼的功能保持每次測量ROI大小相同。記錄獲得的CT值及標準差（SD），圖像噪聲為肺實質的SD值，計算3組圖像的信噪比（SNR）。計算公式SNR=CT值/SD值［15］ 。

1.3.3 "輻射劑量 " 根據每次掃描后機器自動生成的劑量報告，記錄劑量-長度乘積（DLP）、容積CT劑量指數（CTDIvol），然后根據公式ED=DLP×k，計算胸部有效輻射劑量（ED）。其中k為換算系數，參考歐洲CT質量指南標準，胸部k=0.014 mSv/（mGy·cm）［16］ 。

1.4 " 統計學分析

數據統計分析采用SPSS26.0軟件。計量資料采用K-S檢驗進行正態性分析，符合正態分布的數據以均數±標準差表示，組間比較采用單因素方差分析法；不符合正態分布的數據以中位數（四分位數間距）表示，組間比較采用Kruskal?Wallis H檢驗；組間兩兩比較采用Bonferroni法。計數資料以n（%）表示，組間比較采用χ2或Fisher精確概率法。2位診斷醫師的主觀評分行Kappa一致性檢驗分析，Kappa值lt;0.4為一致性較差，0.40≤Kappalt;0.75為一致性中等，Kappa≥0.75為一致性較好。以Plt;0.05為差異有統計學意義。

2 "結果

2.1 "輻射劑量

NI=45的超低劑量掃描CTDIvol為0.31 mGy，DLP為11.93 mGy·cm，ED為0.17 mSv，NI=15的常規劑量掃描，CTDIvol為4.88 mGy，DLP為196.56 mGy·cm，ED為2.75 mSv，差異均有統計學意義（Plt;0.05）。

2.2 "3組圖像肺實質CT值、SD值及SNR值比較

3組重建圖像總體及組間肺實質CT值比較，差異無統計學意義（Pgt;0.05）；3組圖像總體及組間肺實質SD值比較，差異有統計學意義（Plt;0.001）；3組圖像總體及組間肺實質SNR值比較，差異有統計學意義（Plt;0.001）。DLIR-H+E3組圖像SD值最低，SNR最高，相較于FBP組及DLIR-M+E3組肺實質SD分別降低了5.77%、12.62%，SNR值分別升高了4.62%、16.01%（表1）。

2.3 "圖像質量主觀評價

2.3.1 "圖像質量評分一致性分析 " 2位醫師對3組重建圖像主觀評分一致性較好（表2），Kappa值分別為0.952（FBP）、0.846（DLIR-M+E3）、0.903（DLIR-H+E3）。

2.3.2 "圖像質量比較 " 3組圖像質量評分的差異無統計學意義（Pgt;0.05，表3）。3組圖像合格率分別為92.4%、87.9%、90.9%，滿意率分別為40.9%、30.3%、36.40%，差異均無統計學意義（Pgt;0.05，表4）。重建圖像（圖1）。

3 "討論

CT檢查已成為住院患者常用檢查之一［17］ ，故應有效降低檢查劑量，減低輻射損傷。目前已有多種方法用來降低輻射劑量，如低管電壓、管電流，以及大螺距、高轉速等，其中直接降低管電壓、管電流是目前常用的方法［18-19］ 。管電壓決定了X線的能量大小，較大的管電壓產生較高能量X線，對組織的穿透能力更強，但同時也增加了輻射劑量。管電壓減小會導致穿透能力下降，輻射劑量自然也降低。管電流決定了X線的數量，較高的管電流會產生更多的X線，增加圖像信噪比的同時也增加了輻射劑量。研究顯示，管電壓恒定的情況下，隨著管電流的增加，圖像信噪比及圖像質量逐步提高，輻射劑量也隨之增加［20］ 。本研究采用NI技術，通過預先設定好NI值，在掃描過程中，機器根據患者肺部不同位置X線衰減系數不同動態調節電流大小，保證了圖像噪聲基本一致，且顯著降低了患者的輻射劑量（較常規掃描降低93.7%）。相較于既往研究［12］ （NI=30）具有更低的輻射劑量（0.88 mSv vs 0.17 mSv）。但隨著輻射劑量的降低，圖像質量也受到影響，因此各大CT廠商通過開發不同的重建算法來優化低劑量圖像質量。

FBP重建算法作為最早也是最常用的圖像重建技術，具有較快的重建速度，目前仍作為大部分醫院放射科的主要掃描重建圖像。但該算法對數據采集完整度及輻射劑量有較高的要求，在提倡低劑量掃描的今天，FBP重建算法在低/超低劑量CT掃描時，明顯增加了圖像的噪聲，降低圖像分辨率，導致圖像質量顯著下降［21］ ，無法滿足診斷要求。故本研究未對超低劑量掃描行FBP算法重建來進行對比。

深度學習圖像重建DLIR算法作為最新一代基于人工智能的圖像重建技術，在圖像優化方面有出色的表現，可在保持圖像紋理的同時降低圖像噪聲［22］ ，為輻射劑量的進一步降低提供了新方向。DLIR算法采用卷積神經網絡，將“金標準”（高輻射劑量下高質量的FBP重建數據）圖像與低劑量圖像特征參數反復對比，包括噪聲、分辨率等參數，使該算法不斷對低劑量圖像優化，減少與“金標準”圖像間的差異，最終重建出劑量低且質量高的圖像［23］ 。在這個過程中，實現了高圖像質量、低輻射劑量和快速重建速度的三位一體。該算法受到了廣大學者的青睞，并在臨床應用中得到了很好的效果。有研究表明，0.2 mSv左右的超低劑量肺部CT掃描獲得的圖像，在經過深度學習圖像重建處理后能達到與1 mSv左右常規掃肺部CT掃描圖像的診斷效果，使得掃描劑量向X線片進一步靠近［24］ 。有學者采用DLIR-H算法在低劑量條件下得到了接近常規劑量的圖像質量［25］ 。以上研究表明，DLIR能改善低劑量條件下圖像質量，且在DLIR-H時圖像效果最好，本研究結果與之一致。有研究比較了3種圖像重建算法對圖像噪聲降低的影響，結果顯示相同劑量下DLIR的降噪效果最佳，圖像質量最好，FBP效果最差，且隨著重建級別的增加，噪聲逐漸降低，信噪比逐漸增加，DLIR-H呈現出的整體效果最好［26］ ，這與本研究結果一致。但在肺紋理顯示中表現并不滿意，猜測可能與目前DLIR算法只能使用重建標準內核進行重建有關，故本研究在標準內核重建的基礎上增加了E3濾過后處理，以期達到更清楚顯示肺紋理，提高空間分辨率［27］ 。在一項使用超低劑量CT胸部掃描檢測肺結節的研究中［28］ ，DLIR-H檢出率（75.8%）最高，FBP檢出率（62.55%）最低，表明深度學習重建降低了圖像噪聲，提高了結節檢出率及測量精度，且能夠接近標準劑量下的圖像質量。

本研究結果表明，NI=45超低劑量掃描相較于NI=15標準劑量掃描，在輻射劑量方面顯著降低了93.7%，表明NI的大小影響CT檢測的輻射劑量，這與既往的體模研究［29］ 一致。3組重建圖像CT值的差異無統計學意義（Pgt;0.05）。其次，3組重建圖像在SD、SNR值方面，差異均有統計學意義（Plt;0.05）。雖然DLIR-M+E3組有高SD、低SNR（相較于FBP組），但在對3組重建圖像質量一致性評價過程中，2位診斷醫師的一致性極好，且在圖像質量評分、圖像合格率及滿意率方面，兩組NI=45的中、高等強度的深度學習重建圖像與NI=15的FBP組圖像差異無統計學意義（Pgt;0.05），均能用于肺部疾病的篩查，表明降低劑量所帶來的圖像SD值增加及SNR值降低在可接受范圍內，不會對圖像質量及閱片診斷帶來明顯干擾。不過ULDCT在顯示肺部病變顯示方面有所不足，故需要結合臨床實際情況，對明確病變的患者進一步采取常規劑量或增強掃描檢查。另外，在同一輻射劑量下，DLIR-H圖像在主觀及客觀評分都優于DLIR-M，這與既往研究［30］ 一致。

本研究的局限性在于：本研究僅討論了肺窗圖像顯示效果，未對縱隔窗及肺內具體病變進行討論分析；其次，樣本量較少，未考慮到不同個體間的差異（如BMI），進一步研究將擴大樣本量來驗證DLIR算法對不同BMI患者在超低劑量條件下圖像質量的影響。本研究的優點在于，同一患者先后采用標準劑量方案和超低劑量方案掃描，因此在兩個劑量水平之間圖像差異并不是由于在評估中使用了不同的患者。

綜上所述，在100 kVp、NI=45的超低劑量掃描條件下，通過聯合深度學習重組技術，可在顯著降低受檢者輻射劑量，減少輻射累積帶來損傷的同時，得到符合診斷需求的圖像質量，可用作肺部疾病的初步篩查或治療后需多次復查的患者，提高肺部疾病的檢測率。

參考文獻：

［1］ " 王澤潤， 曹永佩， 楊東升， 等. 管電壓70 kV下迭代重建技術對超低劑量胸部CT掃描圖像質量的影響［J］. 寧夏醫學雜志， 2022， 44（03）： 249-51.

［2］ " Hauptmann M， Daniels RD， Cardis E， et al. Epidemiological studies of low?dose ionizing radiation and cancer： summary bias assessment and meta-analysis［J］. J Natl Cancer Inst Monogr， 2020， 2020（56）： 188-200.

［3］ " Friedman?Jimenez G， Kato I， Factor?Litvak P， et al. Low?dose ionizing radiation and cancer mortality among enlisted men stationed on nuclear-powered submarines in the United States Navy［J］. Int J Radiat Biol， 2022， 98（10）： 1542-50.

［4］ " Wang XC， Tian LL， Fan CX， et al. The adaptive responses in non-small cell lung cancer A549 cell lines induced by low?dose ionizing radiation and the variations of miRNA expression［J］. Dose Response， 2021， 19（4）： 15593258211039931.

［5］ " Lowenstein LM， Deyter GMR， Nishi S， et al. Shared decision-making conversations and smoking cessation interventions： critical components of low-dose CT lung cancer screening programs［J］. Transl Lung Cancer Res， 2018， 7（3）： 254-71.

［6］ " Mileto A， Guimaraes LS， McCollough CH， et al. State of the art in abdominal CT： the limits of iterative reconstruction algorithms［J］. Radiology， 2019， 293（3）： 491-503.

［7］ " "李 "楊， 王峰先， 李 "洋， 等. TrueFidelity深度學習圖像重組技術在兒童副鼻竇超低劑量CT檢查中的初步應用研究［J］. 臨床放射學雜志， 2023， 42（6）： 1003-8.

［8］ " "金 "鑫， 陳杭美， 傅鈺沁. 深度學習圖像重建算法在低劑量掃描對肺結節顯示及測量的影響［J］. 醫學影像學雜志， 2024， 34（3）： 140-2.

［9］ " "郭曉強， 侯楠楠， 王曉龍. 深度學習重建對胸部低劑量CT影像的影響研究［J］. 中國衛生工程學， 2024， 23（2）： 232-4.

［10］ "劉海法， 楊 "麗， 王 "琦， 等. 深度學習重建算法對胸部低劑量CT肺結節測量及顯示影響的模體研究［J］. 放射學實踐， 2023， 38（8）： 977-84.

［11］ "宋 "蘭， 田杜雪， 王金華， 等. 胸部超低劑量CT應用深度學習重建行肺癌篩查的可行性研究［J］. 中華放射學雜志， 2022， 56（6）： 667-72.

［12］ "衣 "闖， 梁 "妍， 陳志仁. 低劑量CT胸部體檢中噪聲指數的設定［J］. 中國醫學影像學雜志， 2017， 25（10）： 756-8， 760.

［13］ "劉 "鐵， 李艷艷， 李 "鵬， 等. 胸部CT圖像質量評價與輻射劑量的臨床應用研究［J］. 影像技術， 2024， 36（1）： 19-23， 38.

［14］ "凌問非， 瞿亞偉， 余兆祥， 等. 肺部低劑量CT掃描對圖像質量和輻射劑量的影響［J］. 影像研究與醫學應用， 2023， 7（13）： 96-8.

［15］ "Arns A， Wertz H， Boda-Heggemann J， et al. Ultrafast single breath-hold cone-beam CT lung cancer imaging with faster linac gantry rotation［J］. Radiother Oncol， 2019， 135： 78-85.

［16］ Gierada DS， Black WC， Chiles C， et al. Low-dose CT screening for lung cancer： evidence from 2 decades of study［J］. Radiol Imaging Cancer， 2020， 2（2）： e190058.

［17］ "任心爽， 安云強， 呂 "濱， 等. 中國冠狀動脈CT血管成像掃描技術及輻射劑量的現狀調查［J］. 中華放射學雜志， 2022， 56（4）： 405-10.

［18］ "李中丹， 曾緒知， 董 "科， 等. 低劑量胸部CT檢查對胸部腫瘤性病變的檢出和診斷效果評價［J］. 醫學影像學雜志， 2024， 34（5）： 66-9.

［19］ "陳偉婷， 馬光明， 何立宇， 等. 超低劑量胸部CT不同重建算法對肺炎定量及圖像質量的影響［J］. 分子影像學雜志， 2024， 47（3）： 282-8.

［20］ "呂東博. 超低劑量下基于重建算法對胸部CT圖像質量及肺結節的仿真體模研究［D］. 鄭州： 鄭州大學， 2021.

［21］ "馮倩倩， 于衛軍， 唐 "威， 等. 三種不同重建算法在低劑量胸部CT圖像質量中的比較［J］. 中國腫瘤臨床與康復， 2021， 28（12）： 1409-13.

［22］ Brady SL， Trout AT， Somasundaram E， et al. Improving image quality and reducing radiation dose for pediatric CT by using deep learning reconstruction［J］. Radiology， 2021， 298（1）： 180-8.

［23］ "王 "梅， 花立春， 唐 "穎， 等. 基于深度學習的圖像重建算法在CT圖像重建中的應用進展［J］. 中國醫療設備， 2022， 37（12）： 157-61.

［24］ Tschauner S， Zellner M， Pistorius S， et al. Ultra?low?dose lung multidetector computed tomography in children?Approaching 0.2 millisievert［J］. Eur J Radiol， 2021， 139： 109699.

［25］ "Wang YN， Du Y， Shi GF， et al. A preliminary evaluation study of applying a deep learning image reconstruction algorithm in low-kilovolt scanning of upper abdomen［J］. J Xray Sci Technol， 2021， 29（4）： 687-95.

［26］ "曾 "文， 曾令明， 徐 "旭， 等. 基于深度學習的圖像重建算法在胸部薄層CT中的降噪效果評估［J］. 四川大學學報： 醫學版， 2021， 52（2）： 286-92.

［27］ Svalkvist A， Fagman E， Vikgren J， et al. Evaluation of deep-learning image reconstruction for chest CT examinations at two different dose levels［J］. J Appl Clin Med Phys， 2023， 24（3）： e13871.

［28］ Jiang BB， Li NY， Shi XM， et al. Deep learning reconstruction shows better lung nodule detection for ultra-low-dose chest CT［J］. Radiology， 2022， 303（1）： 202-12.

［29］ "田 "騫， 張喜榮， 賈永軍， 等. ASIR結合自動調節管電流技術在降低胸部CT輻射劑量的研究［J］. 現代醫用影像學， 2021， 30（10）： 1820-5.

［30］ "張卓璐， 陳 "菁， 劉 "卓， 等. 深度學習重建算法對肺部CT定量分析及圖像質量的影響［J］. 放射學實踐， 2023， 38（4）： 434-40.

（編輯：郎 "朗）