深度学习图像重建算法用于肥胖个体低剂量冠状动脉CT血管成像

王宏伟，李 瑛，高一峰，王 瑞，杜志强，于 敏，徐 磊*

(1.首都医科大学附属北京安贞医院医学影像科，北京 100029；2.通用电气电子科技园CT产品部，北京 102600)

超重及肥胖是冠状动脉疾病(coronary artery disease， CAD)的重要危险因素[1]。冠状动脉CT血管成像(coronary CT angiography， CCTA)具有较高敏感度及阴性预测值，是无创检查CAD的主要方式之一[2]，但受检者脂肪组织较多可增加图像噪声，影响CCTA图像质量及诊断准确率，为此多通过增加管电压等方法改善图像质量，导致辐射剂量增加[3]，且目前常用的迭代重建技术无法解耦图像质量与辐射剂量[4]，在肥胖人群中应用受限。随着人工智能的迅速发展，基于深度学习(deep learning， DL)的重建方式已被证实可提高CCTA图像质量[5]。本研究对比深度学习图像重建(DL image reconstruction， DLIR)与自适应统计迭代重建(adaptive statistical iterative reconstruction Veo， ASIR-V)算法对肥胖人群低剂量CCTA图像质量的影响。

1 资料与方法

1.1 研究对象 前瞻性纳入2019年8月—2019年10月体质量指数(body mass index， BMI)≥28 kg/m2[6]的30例临床疑诊CAD患者，男21例，女9例，年龄32～80岁，平均(54.7±11.0)岁；BMI 28.07～39.04 kg/m2，平均(32.63±3.23)kg/m2。排除标准：①对比剂过敏；②合并心或肾功能不全；③冠状动脉手术史。本研究获得院伦理委员会批准(伦理编号：2017048X)。检查前所有患者均签署知情同意书。

1.2 仪器与方法 扫描前未使用控制心率药物。采用GE 256排Revolution CT机，嘱患者仰卧于扫描床，以双筒高压注射器经前臂静脉留置针以4～5 ml/s流率注射碘海醇注射液50～60 ml(350 mgI/ml)及30～35 ml生理盐水，之后采用前瞻性心电门控扫描气管隆嵴下1～2 cm至心脏膈面，参数：管电压100 kV，管电流采用Smart-mA技术，准直256×0.625 mm，机架旋转时间280 ms，扫描范围14～16 cm，矩阵512×512像素，重建层厚0.625 mm，层间距0。采用DLIR中级别降噪(DLIR-M)、DLIR高级别降噪(DLIR-H)及ASIR-V 50%(ASIR-V)算法重建冠状动脉运动伪影最少的相同采集期相，分别以所获图像为DLIR-M组、DLIR-H组和ASIR-V组。

1.3 图像评价 将数据传输至AW4.7工作站，由1名具有3年以上工作经验的影像科医师尽量避开动脉管壁或其他干扰结构于左心房(left atrium， LA)、主动脉根部(aortic root， Ao)、右冠状动脉(right coronary artery， RCA)、左主干动脉(left main artery， LMA)、左前降支动脉(left anterior descending artery， LAD)、左回旋支动脉(left circumflex artery， LCX)近端及主动脉根部旁前纵隔脂肪(the para-aortic anterior mediastinal fat， FAT)各勾画1个ROI，调整ROI后获得3组重建图像中相同位置的最大测量区域，测量其CT值及标准差(standard deviation， SD)。噪声定义为LA、Ao及FAT ROI的SD。以Ao图像噪声及脂肪密度计算各冠状动脉开口的对比噪声比(contrast to noise ratio， CNR)[4]。见图1。

图1 患者女，42岁，BMI=28.31 kg/m2 采用DLIR-M(A)、DLIR-H(B)及ASIR-V(C)算法重建CCTA显示主动脉根部的轴位图像，勾画主动脉根部(大圆圈)、RCA近端(小圆圈)，并测量CT值

由另2名具有5年以上工作经验的影像科医师针对重建图像以5-Likert评分法[7]评估冠状动脉18节段[8]图像质量，意见不一致时协商达成一致：图像质量优秀、无伪影、噪声小为5分；图像质量好、有轻微伪影和噪声但模糊程度可忽略不计为4分；图像质量中等、部分存在伪影及噪声但不影响诊断为3分；图像质量较差、伪影严重、有明显噪声为2分；图像质量极差、不可评价、噪声很大为1分；3～5分为可评估冠状动脉节段，见图2。

图2 患者男，48岁，BMI=29.39 kg/m2 采用DLIR-M(A)、DLIR-H(B)及ASIR-V(C)算法重建的RCA图像

1.4 辐射剂量 记录CT扫描仪自动提供的CCTA扫描剂量长度乘积(dosage length product， DLP)及容积CT剂量指数(volume CT dose index， CTDIvol)，并以胸部转换因子k[0.014 mSv/(mGy·cm)][9]计算有效辐射剂量(effective dose， ED)。

1.5 统计学分析 采用SPSS 23.0统计分析软件。以±s表示计量资料，采用单因素方差分析或秩和检验比较各参数组间差异。以Kappa检验评价观察者间一致性，Kappa<0.4为一致性差；0.4≤Kappa≤0.6为一致性中等；0.60.8为一致性好。P<0.05为差异有统计学意义。

2 结果

2.1 图像评价 DLIR-M组、DLIR-H组及ASIR-V组Ao CT值分别为(375.02±50.77)HU、(375.27±50.71)HU及(374.94±50.48)HU，差异无统计学意义(F=0.009，P=0.995)。DLIR-M组及DLIR-H组噪声均低于ASIR-V组，ASIR-V组与DLIR-H组差异有统计学意义(P<0.05)，与DLIR-M组差异无统计学意义(P>0.05)；DLIR-H组噪声明显低于DLIR-M组(P<0.05)，见表1。DLIR-M组及DLIR-H组CNR均高于ASIR-V组，ASIR-V组与DLIR-H组差异有统计学意义(P<0.05)，与DLIR-M组差异无统计学意义(P>0.05)；DLIR-H组CNR明显高于DLIR-M组(P均<0.05)，见表2。

表1 30例肥胖患者低剂量CCTA噪声比较(±s，n=30)

表1 30例肥胖患者低剂量CCTA噪声比较(±s，n=30)

组别LAAoFATDLIR-M组38.51±5.1534.59±6.5629.87±6.54DLIR-H组28.45±4.90*24.12±5.48*22.57±5.79*ASIR-V组39.21±4.34#37.98±4.17#33.53±5.80#F值45.26248.99436.060P值<0.001<0.001<0.001

注：*：与DLIR-M组比较P<0.05；#：与DLIR-H组比较P<0.05

表2 30例肥胖患者低剂量CCTA CNR比较(±s，n=30)

表2 30例肥胖患者低剂量CCTA CNR比较(±s，n=30)

组别AoRCALMALADLCXDLIR-M组16.72±4.4515.96±4.2916.08±4.3716.32±4.1616.14±4.52DLIR-H组22.31±6.08∗21.23±5.84∗21.48±6.01∗21.71±5.78∗21.32±6.06∗ASIR-V组14.65±3.35#13.74±3.20#13.89±3.37#13.94±3.17#13.60±3.43#F值28.52829.32229.64730.98025.432P值<0.001<0.001<0.001<0.001<0.001

注：*：与DLIR-M组比较P<0.05；#：与DLIR-H组比较P<0.05

共 329个冠状动脉节段可评价，ASIR-V组302个(302/329，91.79%)，DLIR-M组及DLIR-H组各323个(323/329，98.18%)，见表3。DLIR-M组、DLIR-H组及ASIR-V组平均质量评分分别为(3.81±0.62)分、(4.02±0.71)分及(3.45±0.66)分，DLIR-M组及DLIR-H组平均质量评分均明显高于ASIR-V组(P均<0.05)，DLIR-H组明显高于DLIR-M组(P<0.05)。2名医师评价图像质量的一致性较高(Kappa=0.68，P<0.05)。

表3 30例肥胖患者低剂量CCTA主观图像质量评价(个，n=329)

2.2 辐射剂量 30例DLP为66.79～137.52 mGy·cm，平均(79.98±20.19)mGy·cm；CTDIvol为4.77～8.81 mGy，平均(5.64±1.25)mGy；ED为0.94～1.93 mSv，平均(1.12±0.28)mSv。

3 讨论

DL是以多层神经网络为特征的端到端机器学习方法，已广泛用于医学图像处理[10]。本研究采用的DLIR是以高剂量滤波反投影(filtered back projection， FBP)图像为金标准进行训练，将低剂量图像与相同数据高剂量FBP图像的图像噪声、低对比度分辨率、低对比度可检测性及噪声纹理等多个参数进行比较，输出图像并将差异反馈于深度神经网络(deep neural network， DNN)供其修改，并多次重复该过程，直至输出图像与相同数据高剂量图像达到精确匹配。随着BMI增加，CCTA不可评估的冠状动脉节段增加，导致诊断准确率下降[11]。BENZ等[5]对比ASIR-V 70% 标准重建图像与高清内核、DLIR-M、DLIR-H重建图像，发现DLIR-M和DLIR-H图像质量高于ASIR-V标准和高清内核图像。本研究对DLIR-M、DLIR-H与ASIR-V 50%图像进行比较，结果显示虽因患者肥胖导致图像噪声增加，DLIR-M及DLIR-H组图像噪声仍低于ASIR-V组，CNR亦高于ASIR-V组，提示图像质量较之明显提高；DLIR算法重建图像中，仅1.82%(6/329)冠状动脉节段不可评估，低于ASIR-V图像，提示DLIR算法具有良好降噪能力。

既往研究[12]采用噪声功率谱、基于任务的传递函数50%及检测能力指数评估DLIR图像的噪声纹理、空间分辨率及检测病变能力，发现随重建级别升高，DLIR降噪能力增加、空间分辨率提高，且检测细微病变能力较高。本研究DLIR-H组噪声明显低于、CNR明显高于DLIR-M组，随着DLIR级别升高，其降噪能力也得到提升。

国际心血管CT协会推荐对肥胖人群行CCTA检查时使用更高管电压(如120 kV)[3]，而这意味着辐射剂量升高，增加潜在致癌风险。将管电压从120 kV降至100 kV降低30%左右辐射剂量，但会增加噪声，导致图像质量下降，采用更有效的图像降噪处理方法是低管电压CCTA的可靠保证。一项针对肥胖患者图像重建算法的研究[4]发现其平均ED为(4.41±0.83)mSv。本研究30例平均ED为(1.12±0.28)mSv，辐射剂量明显降低。

本研究的局限性：①样本量小，各组图像因算法不同而存在差异，可能导致偏倚；②仅以评价重建图像诊断CAD的准确率，而未与冠状动脉造影进行对比；③未与管电压120 kV的图像进行对比。

总之，采用DLIR算法、可显著降低肥胖人群CCTA图像噪声、提高图像质量，增加可评估冠状动脉节段数量，且高级别降噪可进一步提高图像质量。