超低劑量胸部CT結(jié)合深度學(xué)習(xí)重建可用于肺結(jié)節(jié)評(píng)估

摘要：目的 探討超低劑量CT（ULDCT）結(jié)合深度學(xué)習(xí)重建（DLIR）算法在肺結(jié)節(jié)評(píng)估中的可行性。方法 于2023年6月～11月在陜西中醫(yī)藥大學(xué)附屬醫(yī)院前瞻性納入142例因肺結(jié)節(jié)復(fù)查的患者，同時(shí)接受標(biāo)準(zhǔn)劑量CT檢查（SDCT）和超低劑量CT檢查（ULDCT）。SDCT采用基于多模型的迭代重建40%（ASIR-V40%）（A組），ULDCT分別采用ASIR-V40%（B組）和高強(qiáng)度深度學(xué)習(xí)重建（DLIR-H）（C組）。記錄兩種掃描方式的輻射劑量和3組圖像人工檢測(cè)結(jié)節(jié)數(shù)。測(cè)量3組圖像肺組織、主動(dòng)脈、肌肉的CT值和噪聲值（SD），并計(jì)算各組織的信噪比（SNR）。采用雙盲法對(duì)3組圖像肺結(jié)節(jié)的惡性征象（毛刺、分葉、空洞或空泡、胸膜牽拉征、血管穿行）進(jìn)行5分制主觀評(píng)分。以病理診斷為金標(biāo)準(zhǔn)，對(duì)比分析超低劑量和常規(guī)劑量胸部 CT 檢查對(duì)肺結(jié)節(jié)惡性征象的診斷效能。對(duì)3組圖像的定量指標(biāo)和主觀評(píng)分進(jìn)行統(tǒng)計(jì)學(xué)分析。結(jié)果 ULDCT相較于SDCT輻射劑量降低約92.7%，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。C組圖像肺組織、主動(dòng)脈和肌肉的SD值低于B組，信噪比高于B組，肺結(jié)節(jié)惡性征象的顯示能力優(yōu)于B組（Plt;0.05），與A組的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）。3組圖像肺結(jié)節(jié)檢出數(shù)量分別為187、179、187個(gè)。與病理結(jié)果對(duì)照，A組和C組診斷惡性肺結(jié)節(jié)的效能均高于B組，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。結(jié)論 超低劑量胸部CT結(jié)合深度學(xué)習(xí)重建能夠獲得與標(biāo)準(zhǔn)劑量 ASIR-V40%重建相當(dāng)?shù)膱D像質(zhì)量，且對(duì)肺結(jié)節(jié)的檢出及征象顯示良好，臨床可用于對(duì)肺結(jié)節(jié)的評(píng)估。

關(guān)鍵詞：肺結(jié)節(jié)；超低劑量；深度學(xué)習(xí)重建；圖像質(zhì)量

Ultra-low-dose chest CT combined with deep learning reconstruction can be used for

pulmonary nodule assessment

FAN Qiuju 1 ， WU Haibo 2 ， TAN Hui 1 ， GUO Yanbing 1 ， MA Guangming 1 ， YU Nan 1

1 Department of Medical Image， Affiliated Hospital of Shannxi University of Chinese Medicine， Xianyang 712000， China;" 2 Department of

Encephalopathy， Zhongwei City People's Hospital， Zhongwei 755000， China

Abstract： Objective To evaluate the feasibility of using deep learning reconstruction （DLIR） for pulmonary nodule assessmentunder ultra-low dose CT （ULDCT） scanning. Methods A total of 142 patients who underwent CT scans for pulmonarynodules re-examination included. All patients were examined by both standard-dose CT （SDCT） and ULDCT. SDCT imageswere reconstructed with adaptive statistical iterative reconstruction-V 40% （ASIR-V40%）， ULDCT images were reconstructedwith ASIR-V40% and DLIR-H， respectively.A total of three sets of images were obtained （Group A， group B， group C）.Theradiation dose of both scanning modes and the number of lung nodules were recorded manually. The CT values and noisevalues （SD） of lung tissue， aorta and muscle were measured in 3 groups images， and the signal-to-noise ratio （SNR） wascalculated for each tissue.The malignant signs of lung nodules in the three groups were scored by double-blind method. Usingthe pathological diagnosis as the gold standard， the diagnostic efficacy of ULDCT and SDCT examination on the malignantsigns （burr， lobular， pleural traction sign， vacuole or void， vascular perforation） of pulmonary nodules was analyzed bycomparison. Statistical analysis was performed on the quantitative indicators and subjective scores of these three sets ofimages. Results The radiation dose of ULDCT was reduced by about 92.7% compared with SDCT， and the difference wasstatistically significant （Plt;0.05）.The SD values of lung tissue， aorta and muscle in group C were lower than those in group B，and the SNR was higher than that in group B （Plt;0.05）， and the ability to display malignant signs of nodules were better thanthose in group B， and there was no statistical difference between group C and group A （Pgt;0.05）.The number of pulmonarynodules detected in the three groups was 187， 179 and 187， respectively. Compared with the pathological results， the efficacy ofgroup A and group C in diagnosing malignant pulmonary nodules was higher than that of group B， and the difference wasstatistically significant （Plt;0.05）. Conclusion Ultra-low-dose chest CT combined with deep learning reconstruction can obtainimage quality comparable to ASIR-V40% of SDCT， and show good detection and signs of nodules， which can be used forclinical evaluation of pulmonary nodules.

Keywords： pulmonary nodules; ultra-low dose; deep learning reconstruction; image quality

隨著CT技術(shù)的廣泛應(yīng)用，肺結(jié)節(jié)的檢出率大幅提高，根據(jù)LUNG-RADS分類(lèi)標(biāo)準(zhǔn)，肺結(jié)節(jié)隨訪觀察是分類(lèi)管理的重要方式之一。然而反復(fù)CT檢查必然會(huì)導(dǎo)致受檢者的輻射劑量累積增加，有研究認(rèn)為重復(fù)CT檢查可能增加肺癌的風(fēng)險(xiǎn)［1］ 。近年來(lái)，低劑量CT技術(shù)發(fā)展迅速，輻射劑量大幅減少。當(dāng)輻射劑量明顯降低，隨之帶來(lái)的圖像質(zhì)量下降問(wèn)題促使研究者開(kāi)發(fā)更高效的重建技術(shù)［2］ 。迭代重建（IR）已經(jīng)成為大多數(shù)CT供應(yīng)商的標(biāo)準(zhǔn)重建技術(shù)。但是迭代重建算法可改變圖像的紋理特征，當(dāng)?shù)鷻?quán)重過(guò)大時(shí)，影響空間分辨率，重建圖像會(huì)變得“塑料樣”［3， 4］。深度學(xué)習(xí)重建算法（DLIR）選擇高度精選的、無(wú)偽影的人體模型和患者圖像集來(lái)訓(xùn)練軟件，基于深度卷積神經(jīng)網(wǎng)絡(luò)的模型用于模擬標(biāo)準(zhǔn)劑量FBP圖像的紋理，同時(shí)提供低圖像噪聲、條紋偽影抑制，提高低對(duì)比度病灶檢測(cè)能力和高分辨率［5， 6］。

目前，算法在腹部、頭顱以及胸部體模中應(yīng)用較多［7-9］ ，超低劑量CT檢查（ULDCT）結(jié)合DLIR在臨床實(shí)驗(yàn)研究中多集中在肺結(jié)節(jié)大小、CT值等客觀結(jié)果測(cè)量的研究［10］ ，主觀評(píng)價(jià)以及征象評(píng)估的研究較少，但Lung?RADS的結(jié)構(gòu)化報(bào)告中，肺結(jié)節(jié)形態(tài)特征亦為重要評(píng)估指標(biāo)。本研究擬采用DLIR用于ULDCT的重建對(duì)比，以驗(yàn)證其在肺結(jié)節(jié)綜合診斷中的實(shí)際應(yīng)用效果。

1 資料與方法

1.1 一般資料

本研究為前瞻性研究，已獲得陜西中醫(yī)藥大學(xué)附屬醫(yī)院審查委員會(huì)的批準(zhǔn)（審批號(hào)：SZFYIEC-YJ-KYBC-2023年第［07］號(hào)）。研究對(duì)象為2023年6～11月在我院接受CT掃描的肺結(jié)節(jié)復(fù)查患者。納入標(biāo)準(zhǔn)：年齡18～80歲；行常規(guī)胸部CT檢查證實(shí)肺部有結(jié)節(jié)，并且肺結(jié)節(jié)長(zhǎng)徑6～15 mm；肺內(nèi)無(wú)明顯其他肺部疾病（結(jié)核、間質(zhì)纖維化、嚴(yán)重感染及惡性腫瘤等）。排除標(biāo)準(zhǔn)：無(wú)法配合完成預(yù)檢呼吸訓(xùn)練；有肺部手術(shù)史患者；圖像存在金屬或呼吸運(yùn)動(dòng)偽影的或圖像不全的；共掃描142例患者，最終納入的受檢者數(shù)量為 109 例，其中男性 41例，女性68 例，年齡63.2±11.3歲。記錄接受檢查的患者性別、年齡、身高、體質(zhì)量、BMI。

1.2 檢查方法與圖像重建

受試者均采用256排Revolution Apex CT機(jī)（GE）先后行標(biāo)準(zhǔn)劑量（SDCT）和超低劑量（ULDCT）胸部CT檢查，2次檢查間隔約30 s。患者平躺在檢查床上，雙手上舉。掃描范圍從肺尖至肺底。患者在 CT 掃描前進(jìn)行2～3次標(biāo)準(zhǔn)呼吸和憋氣練習(xí)。標(biāo)準(zhǔn)劑量掃描參數(shù)如下：噪聲指數(shù)設(shè)置為15 HU，固定管電壓120 kVp，自動(dòng)管電流，旋轉(zhuǎn)時(shí)間為0.5 s，螺距為0.992：1，層間隔、層厚均為5.0 mm。超低劑量根據(jù)患者體質(zhì)量采用個(gè)性化掃描方案：根據(jù)患者BMI將受試者分為低體質(zhì)量或正常者（BMIlt;24 kg/m 2 ）、超重者（24≤BMIlt;28 kg/m 2 ）以及肥胖者（≥28 kg/m 2 ），分別設(shè)置管電流為10 mA、20 mA、35mA，其它掃描參數(shù)與標(biāo)準(zhǔn)劑量相同。

檢查完畢后對(duì)受試者的原始數(shù)據(jù)進(jìn)行重建：SDCT采用自適應(yīng)統(tǒng)計(jì)迭代重建40%（ASIR-V40%），ULDCT分 別 采 用 ASIR-V40% 和 高 強(qiáng) 度 深 度 學(xué) 習(xí) 重 建（DLIR?H），共 獲 得 SDCT-ASIR-V40% 組、ULDCT-ASIR-V40%組、ULDCT-DLIR-H組（分別定義為A組、B組、C組）。所有圖像層間隔、層厚均重建為0.625 mm，圖像的窗寬、窗位分別設(shè)置為1200 HU、-600 HU。最后，將重建后的數(shù)據(jù)傳輸?shù)紾E AW 4.7工作站及PACS系統(tǒng)。

1.3 圖像分析

輻射劑量評(píng)估：分別記錄SDCT和LDCT成像的體積CT劑量指數(shù)（CTDIvol）和劑量長(zhǎng)度乘積（DLP），估計(jì)有效劑量（ED）計(jì)算公式為：ED（mSv）=k×DLP［k=0.014 mSv/ （mGy·cm）］。圖像客觀分析：由1位具有3年工作經(jīng)驗(yàn)的放射科醫(yī)師對(duì)軸面圖像進(jìn)行客觀分析。在重建肺窗中，將大小為100 mm 2 的感興趣區(qū)放置于主動(dòng)脈弓（主動(dòng)脈）、左肺上葉無(wú)血管區(qū)（肺實(shí)質(zhì)），胸大肌（肌肉）測(cè)量CT值和標(biāo)準(zhǔn)差（SD），以SD作為噪聲值，每個(gè)區(qū)域測(cè)量3次并取平均值。測(cè)量時(shí)采用系統(tǒng)中復(fù)制粘貼（同步）的方法，保持感興趣區(qū)大小、面積一致。最后分別計(jì)算3組重建圖像主動(dòng)脈、肺實(shí)質(zhì)、肌肉的信噪比（SNR）：SNR 主動(dòng)脈 =CT 值 主動(dòng)脈 /SD 主動(dòng)脈 、SNR 肺實(shí)質(zhì) =CT值 肺實(shí)質(zhì) /SD 肺實(shí)質(zhì) 、SNR 肌肉 =CT值 肌肉 /SD 肌肉 。

圖像主觀評(píng)價(jià)：由2位分別具有10年和16年工作經(jīng)驗(yàn)的胸部影像醫(yī)師在工作站上分別獨(dú)立閱片，圖像以隨機(jī)順序呈現(xiàn)，閱片醫(yī)師不知道所評(píng)估圖像的掃描技術(shù)及重建方法。人工計(jì)算結(jié)節(jié)個(gè)數(shù)，用五分評(píng)分法對(duì)圖像質(zhì)量進(jìn)行主觀評(píng)分［11］ ；評(píng)估內(nèi)容包括：肺結(jié)節(jié)特殊形態(tài)學(xué)征象（分葉、毛刺、胸膜牽拉、空泡、血管穿行）。5分，結(jié)節(jié)可見(jiàn)，細(xì)微征象顯示清晰，完全滿(mǎn)足診斷要求；4分，結(jié)節(jié)可見(jiàn)，細(xì)微征象顯示良好，不影響診斷信心；3分，結(jié)節(jié)可見(jiàn)，細(xì)微征象顯示欠清，基本滿(mǎn)足診斷要求；2分，結(jié)節(jié)模糊可見(jiàn)，細(xì)微征象不清，診斷受限；1分，結(jié)節(jié)顯示不清，無(wú)法診斷；采用觀察者間一致性（Kappa）評(píng)價(jià)2位醫(yī)師判定肺結(jié)節(jié)特殊征象的準(zhǔn)確性。與病理結(jié)果對(duì)照，對(duì)比分析3組重建方式對(duì)肺結(jié)節(jié)惡性征象的診斷效能。

1.4 統(tǒng)計(jì)學(xué)分析

采用SPSS 26.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析，計(jì)量數(shù)據(jù)以均數(shù)±標(biāo)準(zhǔn)差表示。不同重建算法下圖像質(zhì)量客觀對(duì)比采用單因素方差分析；5分法主觀圖像質(zhì)量評(píng)估采用Kendall W檢驗(yàn)；采用Cochran's Q檢驗(yàn)分析3組圖像檢出肺結(jié)節(jié)各惡性征象的率的差異；與病理結(jié)果對(duì)比，3種重建算法對(duì)肺結(jié)節(jié)良惡性檢驗(yàn)效能的差異采用多個(gè)樣本χ 2 檢驗(yàn)及事后兩兩比較。采用Kappa統(tǒng)計(jì)量計(jì)算觀察者間的一致性。以Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 基本資料和輻射劑量

ULDCT相較于SDCT輻射劑量降低約92.7%，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）。

2.2 客觀對(duì)比結(jié)果

3組圖像的肺組織、主動(dòng)脈、肌肉的CT值經(jīng)組間和兩兩對(duì)比，差異均無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05）；C組圖像各組織的SD值低于B組，SNR高于B組（Plt;0.05），C組與A組的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表1）。

2.3 主觀對(duì)比結(jié)果

2.3.1 肺結(jié)節(jié)特殊征象診斷信心比較 A組和C組主觀評(píng)分均高于B組，差異有統(tǒng)計(jì)學(xué)意義（Plt;0.001）。C組與A組的主觀評(píng)分差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表2）。2位觀察者對(duì)特殊征象判定的一致性較高（Kappa=0.80，Plt;0.05）。

2.3.2 特殊征象的顯示率" 3組圖像肺結(jié)節(jié)檢出數(shù)量分別為187、179、187，其中毛刺、分葉、空洞或空泡、血管穿行征象的顯示率在3組間的差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05），兩兩比較顯示C組的顯示率與A組差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05），且均優(yōu)于B組。胸膜牽拉征象3組間的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05，表3）。

2.3.3 與病理結(jié)果的對(duì)比 定義每個(gè)結(jié)節(jié)中至少有2個(gè)與惡性腫瘤相關(guān)的特征可以認(rèn)為該結(jié)節(jié)具有惡性?xún)A向。一共31個(gè)結(jié)節(jié)有病理結(jié)果，其中24個(gè)惡性，7個(gè)良性。與病理結(jié)果對(duì)比，3組診斷肺結(jié)節(jié)良惡性效能比較，敏感度、特異度、陽(yáng)性預(yù)測(cè)值、陰性預(yù)測(cè)值和準(zhǔn)確率的差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05）；顯示C組與A組間的差異無(wú)統(tǒng)計(jì)學(xué)意義（Pgt;0.05），C組與B組、A組與B組之間的差異有統(tǒng)計(jì)學(xué)意義（Plt;0.05，表4）。

3 討論

本研究以ASIR-V40%重建的標(biāo)準(zhǔn)劑量圖像為參考，比較了在超低劑量掃描條件下，ASIR-V40% 和DLIR-H的不同重建算法對(duì)胸部圖像質(zhì)量以及肺結(jié)節(jié)形態(tài)分析的影響，與傳統(tǒng)的 ASIR-V40% 算法相比，DLIR-H在超低劑量條件下顯著提高了圖像質(zhì)量，生成了與標(biāo)準(zhǔn)劑量ASIR-V40%圖像相似的圖像質(zhì)量、肺結(jié)節(jié)檢測(cè)效率和征象，節(jié)省了92.7%的輻射劑量。既往研究指出，罹患惡性腫瘤的人群中，大約有2%的患者與輻射劑量暴露有關(guān)［12］。故將CT檢查的輻射劑量降低到盡可能低的水平是研究的重點(diǎn)內(nèi)容，而ULDCT掃描是減少輻射暴露的一種潛在選擇。本研究根據(jù)BMI個(gè)性化選擇10、20、30 mA掃描，結(jié)果顯示胸部低劑量掃描有效劑量為0.25±0.08 mSv，ULDCT相較于SDCT輻射劑量降低約92.7%。有研究基于深度學(xué)習(xí)圖像重建驗(yàn)證超低劑量應(yīng)用的研究中輻射劑量為0.75±0.03 mSv［13］ ，高于本研究結(jié)果。但在一項(xiàng)肺癌篩查實(shí)驗(yàn)中，超低輻射劑量為0.07～0.14 mSv［14］ ，較本研究的結(jié)果劑量更低。分析原因可能為，該研究排除了BMIgt;30 kg/m 2 的患者，而本研究包括超重患者。另有研究顯示男性與女性有效輻射劑量有差異［15］，所以可以認(rèn)為不同樣本中男女比例的差異也可能是影響劑量的因素。本研究中，ULDCT檢查的輻射劑量明顯低于1年的天然本底輻射劑量水平（約 2.0 mSv），減少了不必要的輻射對(duì)人體的潛在傷害。

本次實(shí)驗(yàn)評(píng)估了超低劑量掃描條件下經(jīng) DLIR-H重建的胸部CT圖像，并與標(biāo)準(zhǔn)劑量和超低劑量條件下ASIR-V40%水平的圖像進(jìn)行了比較，結(jié)果表明3組之間肺組織、大血管以及肌肉的CT值的差異無(wú)統(tǒng)計(jì)學(xué)意義，說(shuō)明本次研究的超低劑量條件下，不會(huì)影響病灶密度的評(píng)估。3組之間SNR值對(duì)比結(jié)果顯示，超低劑量結(jié)合DLIR技術(shù)的圖像SNR值和標(biāo)準(zhǔn)劑量相當(dāng)，差異無(wú)統(tǒng)計(jì)學(xué)意義，均高于ASIR-V40%的圖像。在對(duì)肺結(jié)節(jié)內(nèi)部特征及周?chē)螒B(tài)變化的主觀評(píng)價(jià)中，ULDCT聯(lián)合DLIR在一定程度上補(bǔ)償了低劑量引起的較高的圖像噪聲，使低劑量CT圖像具有與標(biāo)準(zhǔn)劑量掃描相同的質(zhì)量，圖像質(zhì)量完全符合臨床診斷要求。而且肺結(jié)節(jié)與肺組織之間呈高對(duì)比度，在一定范圍內(nèi)，圖像噪聲的增加對(duì)肺結(jié)節(jié)的詳細(xì)顯示和觀察影響并不顯著。研究結(jié)果證實(shí)DLIR算法在不改變?cè)肼暭y理的情況下降低了噪聲，提高了空間分辨率和可檢測(cè)性，進(jìn)一步證實(shí)了DLIR算法不僅具有優(yōu)良的降噪能力，而且比迭代重建具有更大的劑量?jī)?yōu)化潛力，與文獻(xiàn)中結(jié)論相符［16-18］。

本研究顯示，標(biāo)準(zhǔn)劑量和超低劑量DLIR-H均檢出肺結(jié)節(jié)187個(gè)，表明即使在劑量降低了92%的情況下，DLIR-H重建檢測(cè)肺結(jié)節(jié)的能力與標(biāo)準(zhǔn)劑量相當(dāng)，檢測(cè)效能大于ASIR-V重建，對(duì)直徑≥6 mm的任意密度結(jié)節(jié)，可以做到不漏診，這與文獻(xiàn)報(bào)道的DLIR預(yù)測(cè)結(jié)節(jié)檢測(cè)的比值高于ASIR-V［14］相符。本研究結(jié)果中超低劑量結(jié)合DLIR組對(duì)主觀征象的診斷信心和標(biāo)準(zhǔn)劑量組相當(dāng)，因?yàn)镈LIR可以識(shí)別圖像的正常組織與噪聲，可以針對(duì)性地剔除圖像中的噪聲，在進(jìn)一步降低噪聲的同時(shí)，并未產(chǎn)生模糊偽影而影響病灶顯示的效果［19， 20］ ，同時(shí)保持圖像紋理，能清晰地顯示肺結(jié)節(jié)的形態(tài)。有研究指出，相比迭代重建，DLIR圖像的噪聲更低，具備較高的空間分辨力，且低劑量掃描條件下病變檢出率更高［21］ ，亦與本次結(jié)果相符。然而本研究并未對(duì)結(jié)節(jié)分類(lèi)，也未對(duì)大小、CT值進(jìn)行測(cè)量。一項(xiàng)對(duì)COPD患者肺結(jié)節(jié)的研究中表明與標(biāo)準(zhǔn)劑量CT對(duì)比，ULDCT輻射劑量減少了 83%，但在結(jié)節(jié)測(cè)量和大小分類(lèi)方面沒(méi)有相關(guān)差異［22］ 。然而，超低劑量篩查肺結(jié)節(jié)，檢出結(jié)節(jié)只是第一步，臨床工作中更多的需要盡可能地清晰顯示結(jié)節(jié)的內(nèi)外部細(xì)節(jié)征象，如分葉征、毛刺征、血管集束征、細(xì)支氣管充氣征等，這有助于鑒別肺結(jié)節(jié)的良性與惡性［23-25］ 。一項(xiàng)描述大學(xué)肺癌篩查項(xiàng)目中Lung-RADS 4類(lèi)病變特征的研究認(rèn)為，在Lung-RADS 4A和4B類(lèi)結(jié)節(jié)的多變量分析中，額外的影像學(xué)特征是肺癌的重要預(yù)測(cè)因子，可以指導(dǎo)管理和預(yù)測(cè)肺癌的風(fēng)險(xiǎn)［26］ 。也有研究認(rèn)為胸部放射科醫(yī)師的視覺(jué)分析對(duì)結(jié)節(jié)分類(lèi)準(zhǔn)確性最高［27］ 。因此，本研究還在不同的 ULDCT重建序列中觀察了與惡性腫瘤相關(guān)的影像學(xué)特征，并與病理證實(shí)惡性的結(jié)節(jié)征象做對(duì)比。文獻(xiàn)表明鑒別孤立性肺結(jié)節(jié)良惡性最敏感的征象為毛刺、分葉及腫瘤血管征［28］ ，本研究在對(duì)這些肺結(jié)節(jié)周?chē)螒B(tài)變化的主觀評(píng)價(jià)中，發(fā)現(xiàn)超低劑量聯(lián)合DLIR組對(duì)于這3種征象的顯示能力可以和標(biāo)準(zhǔn)劑量組相當(dāng)，但對(duì)于胸膜牽拉和空泡的顯示，3組之間的差異無(wú)統(tǒng)計(jì)學(xué)意義，證明深度重建算法對(duì)于毛刺、分葉這種需要高空間分辨率顯示的征象更具有優(yōu)勢(shì)。當(dāng)進(jìn)一步把視覺(jué)判斷的良惡性結(jié)節(jié)與病理結(jié)果對(duì)照后，發(fā)現(xiàn)深度學(xué)習(xí)算法重建組診斷惡性肺結(jié)節(jié)具有較高度敏感度、特異度和陽(yáng)性預(yù)測(cè)值，說(shuō)明DLIR可以最大程度減少重建圖像與真實(shí)圖像的細(xì)微結(jié)構(gòu)誤差，與文獻(xiàn)中結(jié)論一致［29］ ，從而使醫(yī)師對(duì)惡性征象的識(shí)別率高于迭代重建，診斷信心明顯提高。也有文獻(xiàn)報(bào)道了在超低輻射劑量下，與迭代重建相比，深度學(xué)習(xí)重建算法在圖像質(zhì)量和Lung-RADS評(píng)估方面具有優(yōu)勢(shì)［30， 31］ 。研究的結(jié)果進(jìn)一步證實(shí)超低劑量聯(lián)合深度學(xué)習(xí)算法將為超低劑量CT用于肺癌篩查做出積極貢獻(xiàn)。

綜上，超低劑量胸部CT結(jié)合深度學(xué)習(xí)重建能夠獲得與標(biāo)準(zhǔn)劑量 ASIR-V40%重建相當(dāng)?shù)膱D像質(zhì)量，且對(duì)肺結(jié)節(jié)的檢出及征象顯示良好，臨床可用于對(duì)肺結(jié)節(jié)的評(píng)估。但本研究也有一些局限性：本研究并未納入直徑lt;6 mm的結(jié)節(jié)，所以對(duì)于此類(lèi)結(jié)節(jié)超低劑量是否適用，深度學(xué)習(xí)重建是否具有優(yōu)勢(shì)尚未清楚，未來(lái)仍然需要進(jìn)一步的多中心驗(yàn)證；本研究中惡性征象的病例數(shù)相對(duì)較小，結(jié)果在一定程度上可能存在偏差，需要進(jìn)一步擴(kuò)大樣本量。

參考文獻(xiàn)：

[1] Perisinakis K， Seimenis I， Tzedakis A， et al. Radiation burden andassociated cancer risk for a typical population to be screened forlung cancer with low-dose CT： a phantom study[J]. Eur Radiol，2018， 28（10）： 4370-8.

[2] Yao Y， Guo BB， Li JY， et al. The influence of a deep learning imagereconstruction algorithm on the image quality and auto-analysis ofpulmonary nodules at ultra-low dose chest CT： a phantom study[J].Quant Imaging Med Surg， 2022， 12（5）： 2777-91.

[3] Chen GH， Li YS. Synchronized multiartifact reduction withtomographic reconstruction （SMART-RECON）： a statistical modelbased iterative image reconstruction method to eliminate limited-view artifacts and to mitigate the temporal-average artifacts in time-resolved CT[J]. Med Phys， 2015， 42（8）： 4698-707.

[4] Ellmann S， Kammerer F， Allmendinger T， et al. Advanced modelediterative reconstruction （ADMIRE） facilitates radiation dosereduction in abdominal CT[J]. Acad Radiol， 2018， 25（10）： 1277-84.

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

[6] Dadoun H， Rousseau AL， de Kerviler E， et al. Deep learning for thedetection， localization， and characterization of focal liver lesions onabdominal US images[J]. Radiol Artif Intell， 2022， 4（3）： e210110.

[7] Akagi M， Nakamura Y， Higaki T， et al. Deep learning reconstructionimproves image quality of abdominal ultra-high-resolution CT[J].Eur Radiol， 2019， 29（11）： 6163-71.

[8] 劉娜娜， 呂培杰， 王會(huì)霞， 等. 基于深度學(xué)習(xí)圖像重建算法的低管電壓腹部CT平掃圖像質(zhì)量?jī)r(jià)值評(píng)估[J]. 臨床放射學(xué)雜志， 2023， 42（11）： 1820-5.

[9] 劉海法， 楊 麗， 王 琦， 等. 深度學(xué)習(xí)重建算法對(duì)胸部低劑量CT肺結(jié)節(jié)測(cè)量及顯示影響的模體研究[J]. 放射學(xué)實(shí)踐， 2023， 38（8）： 977-84.

[10]竇越群， 吳海波， 于 勇， 等. 超低劑量CT掃描結(jié)合深度學(xué)習(xí)圖像重建對(duì)計(jì)算機(jī)輔助診斷系統(tǒng)定量分析肺結(jié)節(jié)的影響[J]. 中國(guó)介入影像與治學(xué)， 2024， 21（7）： 418-22.

[11]Kanii Y， Ichikawa Y， Nakayama R， et al. Usefulness of dictionarylearning-based processing for improving image quality of sub-millisievert low-dose chest CT： initial experience[J]. Jpn J Radiol，2020， 38（3）： 215-21.

[12]Miglioretti DL， Johnson E， Williams A， et al. The use of computedtomography in pediatrics and the associated radiation exposure andestimated cancer risk[J]. JAMA Pediatr， 2013， 167（8）： 700-7.

[13]Kim JH， Yoon HJ， Lee E， et al. Validation of deep-learning imagereconstruction for low-dose chest computed tomography scan：emphasis on image quality and noise[J]. Korean J Radiol， 2021， 22（1）： 131-8.

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

[15]Carey S， Kandel S， Farrell C， et al. Comparison of conventionalchest x ray with a novel projection technique for ultra-low dose CT[J]. Med Phys， 2021， 48（6）： 2809-15.

[16]Greffier J， Hamard A， Pereira F， et al. Image quality and dosereduction opportunity of deep learning image reconstructionalgorithm for CT： a phantom study[J]. Eur Radiol， 2020， 30（7）：3951-9.

[17]付 芮， 張成亮， 沈 云， 等. 深度學(xué)習(xí)圖像重建算法對(duì)圖像質(zhì)量的影響： 體模研究[J]. 放射學(xué)實(shí)踐， 2023， 38（12）： 1617-22.

[18]曾 文， 曾令明， 徐 旭， 等. 基于深度學(xué)習(xí)的圖像重建算法在胸部薄層CT中的降噪效果評(píng)估[J]. 四川大學(xué)學(xué)報(bào)： 醫(yī)學(xué)版， 2021， 52（2）：286-92.

[19]Zhong JY， Shen HL， Chen Y， et al. Evaluation of image quality anddetectability of deep learning image reconstruction （DLIR）algorithm in single- and dual-energy CT[J]. J Digit Imaging， 2023，36（4）： 1390-407.

[20]Oostveen LJ， Meijer FJA， de Lange F， et al. Deep learning-basedreconstruction may improve non-contrast cerebral CT imagingcompared to other current reconstruction algorithms[J]. Eur Radiol，2021， 31（8）： 5498-506.

[21]Higaki T， Nakamura Y， Zhou J， et al. Deep learning reconstruction atCT： phantom study of the image characteristics[J]. Acad Radiol，2020， 27（1）： 82-7.

[22]Han DW， Cai JL， Heus A， et al. Detection and size quantification ofpulmonary nodules in ultralow-dose versus regular-dose CT： acomparative study in COPD patients[J]. Br J Radiol， 2023， 96（1144）： 20220709.

[23]Lv YG， Bao JH， Xu DU， et al. Characteristic analysis of pulmonaryground-glass lesions with the help of 64-slice CT technology[J].Eur Rev Med Pharmacol Sci， 2017， 21（14）： 3212-7.

[24]王金華， 宋 蘭， 隋 昕， 等. 深度學(xué)習(xí)重建改善胸部低劑量CT圖像質(zhì)量的價(jià)值[J] .中華放射學(xué)雜志， 2022， 56（1）： 74?80.

[25]張 艷， 呂發(fā)金， 褚志剛， 等. 基于CT薄層影像特征的肺結(jié)節(jié)良惡性評(píng)估[J]. 中國(guó)醫(yī)學(xué)影像學(xué)雜志， 2019， 27（3）： 182-7.

[26]Kocher Wulfeck M， Plesner S， Herndon JE 2nd， et al. CharacterizingLung-RADS category 4 lesions in a university lung cancer screeningprogram[J]. Lung Cancer， 2023， 186： 107420.

[27]Gupta S， Jacobson FL， Kong CY， et al. Performance of lung nodulemanagement algorithms for lung-RADS category 4 lesions[J]. AcadRadiol， 2021， 28（8）： 1037-42.

[28]李 輝， 姜春霞， 寧培剛， 等. 肺內(nèi)孤立結(jié)節(jié)的高分辨 CT征象診斷價(jià)值[J]. 鄭州大學(xué)學(xué)報(bào)： 醫(yī)學(xué)版， 2014， 49（6）： 872-5.

[29]Franck C， Zhang GZ， Deak P， et al. Preserving image texture whilereducing radiation dose with a deep learning image reconstructionalgorithm in chest CT： a phantom study[J]. Phys Med， 2021， 81：86-93.

[30]Hata A， Yanagawa M， Yoshida Y， et al. Combination of deeplearning-based denoising and iterative reconstruction for ultra-low-dose CT of the chest： image quality and lung-RADS evaluation[J].AJR Am J Roentgenol， 2020， 215（6）： 1321-8.

[31]Yoo SJ， Park YS， Choi H， et al. Prospective evaluation of deeplearning image reconstruction for Lung-RADS and automaticnodule volumetry on ultralow-dose chest CT[J]. PLoS One， 2024，19（2）： e0297390.（編輯：郎 朗）