肺部渗出性病变的CT量化研究与展望

陈 强

（玉林市红十字会医院放射科 广西 玉林 537000）

肺部渗出性病变病因、临床症状多种多样，在各种感染、心衰、结缔组织病、肺挫伤、弥漫性肺泡出血等许多疾病的初期、治疗阶段、终末期均伴随着肺部渗出病变，在就诊、治疗时常需应用螺旋CT进行检查分析，并依据放射科医师经验对病变进行鉴别诊断与变化评价。因此可见，准确量化评价病灶数量分布、病灶质地、对肺功能影响程度显得尤为重要。目前依靠CT检查对肺部渗出性病变主要量化分析项目为病变容积、病变密度质量、肺功能量化分析。本文对肺部渗出性病变CT量化分析研究及进展做一综述。

1 CT量化基础解剖研究与计算技术进展

CT设备的物理学原理是通过计算物质对X线的衰减系数并与水的衰减系数进行对比，获得一个相对数值：CT值，同时重建2D、3D图像测量病灶尺寸，这是CT最基础的密度、大小量化分析。早期大量研究数据获得正常肺组织密度与肺功能成像参数正常值范围：吸气末平均CT值（-853.792±23.4524）HU、呼气末平均CT值（-649.538±65.4004）HU、吸气末CT肺体积（Vin）、呼气末CT肺体积（Vex）、像素指数等[3]。但由于病变密度多样、成分复杂、大小境界常难以分辨，临床工作提出更多量化数据需求。在确定病变前，需先确定胸部正常结构与变异、肺裂分割，随着计算技术发展，纵隔及肺血管、气管支气管、肺裂自动识别分割技术获得快速进展，逐渐进入智能AI分析时代[1,2,5,30]。

2 病变容积量化分析

病灶形态多为不规则形，难以手工计算容积，因此研究者提出依据不同算法对用CT容积扫描获得DICOM图像进行正常结构识别、病灶分割并进行体积测量，包括阈值法、区域生长法、水平集法，各种计算方法各有优缺点，并发展多计算方法相融合技术，提高分割速度，分割精度接近专家手动分割效果[1,2,4-10]。但这些技术初期应用都以影像诊断学医师人工分割作为金标准，特别是在边缘分界模糊时，更需人为介入划界。在病灶发现和测量大小体积方面，以肺癌为最热门应用，并且发展“数字肺”影像组学，通过运用CAD辅助技术完成三维容积方向的肺气肿、实性病灶自动发现与容积定量计算、恶性风险预判等，达到诊断准确率高于常规CT检查组效果[6,10-12]。有研究者通过动物实验、软件自动计算获得溺死与非溺死组家兔全肺平均CT值及全肺体积改变，溺死组发生水性肺水肿，并且其肺体积较失血和机械窒息组明显增大结果[14]。但是对于边缘模糊、密度淡薄的渗出病变，始终是研究的难点。在甲型流感研究中，有作者对以面积比例评分方式进行病变计分与病毒载量对比，获得病毒载量与CT肺部损害表现基本一致结果[15]。以基于深度学习与采用nn-Unet框架建立肺炎分割模型、随机森林方法构建肺炎分类模型的处理技术有利于对边缘模糊肺炎病变更精确分割边界，使COVID-19肺炎病灶分割模型在同源测试集上精准度达到75.4%、病灶分割精度67.7%，并获得COVID-19肺炎一些潜在影像学特征，如病灶累及中叶、累及肺叶数及病灶占整肺体积百分比等量化数据，成功应用于预测疾病转归[13,19,29]。

3 病变密度质量量化分析

在相同肺容积的病变中，以肺气肿为代表的负性密度病变CT量化研究较多[3,10,12,21,23,27]，正性密度病变的研究在2019年以前以肺结节的研究较多[11,12,16-18,20,24]，渗出性病变CT量化研究相对较少，而自从2019年12月COVID-19肺炎爆发以来，关于该病的肺部病变量化研究迅速增多[13,25,28,29]。渗出性病变在肺部分布可存在于肺间质、肺泡、支气管腔内，而以肺泡内能容纳的渗出物最多，同一容积内含病变多寡及成分不同导致CT值高低不同，在治疗过程中常需判断病变变化比例，但渗出病变常有范围广、密度差距大情况，研究者多以磨玻璃密度、混合密度、实性密度分级作为简单量化方法，并从这些不同密度病变所占比例获得一些鉴别诊断足以支撑肺炎分类的成果，也同时提出了肺炎病灶分割标注、评估、度量较为困难[13,15,18]，当然也与病变遮掩中血管难以分离并影响计算病变总量有关。在此本研究小组提出应从CT成像原理与公式出发，探索质量=体积×密度公式在病变总量中的计算方法。张帆等研究者的CT定量分析法对肺水肿病变区肺组织重量百分比LWI等测量计算结果做出统计，并得出CT定量分析法对肺水肿的定量测定有着良好的相关性和一致性结论[21,22]。当然我们也可以理解为大片肺渗出是无数磨玻璃与实性结节汇集的结果，则有大量研究可供参考，获得病变平均密度、密度构成比例等[11,16,17,20]。在一组对亚实性肺结节的质量研究中，质量测量（Mass）能综合反映密度增高和实性成分增加，而且质量测量具有很好重复性，而病灶的分割方式（Automatic或Semi-Auto）对质量测量变异有影响，同时获得质量观察者内一致性区间为-11.5%～10.4%，观察者间一致性区间为-17.4%～19.3%[24-26]。在对新型冠状病毒肺炎的研究中，不同研究均指向不同密度比例、病程与密度变化等关系，及成功预测病程走势[25,28]。

4 病变对肺功能影响量化分析

肺功能准确评估对于肺部疾病诊断、预后有重要作用[31,32]，而CT是评价肺部通气状况的良好检查方式，通过肺部定量分析，可以直观的评价肺不同区域的通气状况，通过比较吸气末与呼气末肺部通气状况，可以直观评价机械通气效果及安全性，进而指导选择适宜的潮气量[3,22]。Terragni等通过定量分析发现不同的患者需要不同潮气量，重症ARDS患者可能需更小潮气量来进行肺保护[23]。在对小气道病变研究中，基于体素更细致研究获得比较多进展，如李辉安团队在对COPD研究中，发现早期CTPD肺气肿程度正常值上限为11.16%，小气道病变程度正常值上限为50.07%，基于体素定量CT能早期发现有呼吸道症状但肺功能未达到COPD诊断小气道损伤，有助于COPD早期诊断[27]。

5 总结与展望

肺部CT在临床应用极为广泛，大量感染性病变、肺水肿、肺出血及肿瘤等病变进展、吸收缩小均需以适当量化方式进行优化评价。CT容积量化与密度质量量化研究已经获得一些积极进展，并且由于智能AI提高运算速度，可以为临床提供有效、准确的量化数据。同时在病灶对肺功能影响、病灶物质构成比例、细胞构成类型、MR肺部量化分析、大数据AI应用等方面也有着广阔的研究空间，值得深入研究。