深度学习图像重建算法对图像质量的影响:体模研究

付芮,张成亮,沈云,陈大治,町田治彦,蔡磊

CT图像重建算法是CT图像生成的基础,与CT图像质量关系密切。目前,临床上常用的图像重建方式是自适应统计迭代重建(adaptive statistical iterative reconstruction veo,ASIR-V)。然而,高迭代水平在降低图像噪声的同时,会导致图像过度平滑和蜡状伪影,同时会降低图像的分辨率[1-4]。近期,GE公司开发的基于深度学习的图像重建(deep learning iterative reconstruction,DLIR)能够有效地克服高权重迭代算法导致的过度平滑等问题,既能降低图像噪声,又能保持图像纹理和较高的空间分辨率[5]。目前,对DLIR在降低图像噪声中的作用及相关临床应用的研究相对比较多,而对其在图像分辨率方面的作用的相关研究比较少,尤其是体模实验。因此,本研究中使用JIS体模,通过主客观指标的评估及测量,对比传统的迭代重建算法(ASIR-V)与不同等级的DLIR对图像质量(图像噪声和分辨率)的影响,并探讨DLIR在降低扫描剂量方面的可能性。

材料与方法

1.检查方法

使用GE Revolution Apex对分辨率体模(JIS体模)进行扫描,JIS体模的外观见图1。扫描参数:120 kV,0.5 s/r,探测器宽度80 mm,螺距0.992,层厚0.625 mm。分别采用常规剂量(A组)和低剂量(CTDI为mGy;B组)进行扫描,A组和B组的容积CT剂量指数(volume computed tomography dosimetry index,CTDIvol)分别为11.50和4.22 mGy。A组原始数据采用常规临床扫描时设置的30%权重的ASIR-V进行图像重建,B组采用滤波反投影(filtered back projection,FBP)、不同权重的迭代算法(30%-、60%-、90%-ASIR-V)及不同级别的DLIR(DLIR-L、DLIR-M、DLIR-H)共7种算法进行图像重建。

图1 JIS体模的外观。

2.图像质量评价

将图像传输至AW4.7工作站进行观察,窗宽400 HU,窗位35 HU。

客观评价:在JIS体模中的试管内勾画圆形ROI(面积135mm2),保证ROI在每层图像及重建方式下形状、大小和位置一致,测量各ROI内的CT值及其SD(图像噪声),对每组图像上每个ROI的数据均测量3次取平均值,并按照公式(1)计算图像的SNR:

(1)

主观评分:由3位具有5年工作经验的放射科医师对每组图像的噪声和分辨率(空间分辨率/密度分辨率)采用五分法进行评价,意见不一致时经协商讨论得出一致性评分。图像噪声的评分标准:1分,太多噪声;2分,超过接受程度的噪声;3分,可以接受的噪声;4 分,较少的噪声;5分,非常少的噪声。空间分辨率的主观评价内容包括图像上各结构的边缘和清晰度,图像密度分辨率的主观评价包括图像上各结构形态、边缘及与周围的密度差,具体评分标准:1分,完全不能辨认;2分,图像部分勉强辨认;3分,图像勉强辨认;4分,图像基本清晰;5分图像非常清晰。图像评分≥3分为满足临床诊断要求。

3.统计学分析

使用SPSS 26.0软件进行统计学分析。采用单因素方差分析比较不同重建算法下测量的试管内CT值、SD及SNR,进一步组间两两比较采用LSD检验。以P<0.05为差异具有统计学意义。主观评分的一致性采用Fleiss Kappa检验,Kappa值<0.20为一致性差,0.21～0.40为一致性较差,0.41～060为一致性中等,0.61～0.80为一致性较好,0.81～1.00为一致性极好。

结 果

1.辐射剂量

A组常规剂量的CDTIvol值为11.5 mGy,B组低剂量的CDTIvol值为4.22 mGy,B组较A组下降了63.30%。

2.图像质量的客观评价

A组常规剂量30%-ASIR-V算法和B组低剂量不同重建算法的重建图像上体模试管内CT值、SD及SNR测量结果详见表1和图2。A组常规剂量30%-ASIR-V算法和B组7种算法获得的重建图像上测得的CT值的差异无统计学意义(P>0.05);而SD和SNR的差异均有统计学意义(P<0.001)。对SD和SNR进一步进行组间两两比较,不同权重ASIR-V和不同级别DLIR算法测得的SD均明显低于FBP算法,SNR高于FBP算法,差异均有统计学意义(P<0.05)。B组中,与30%权重(临床扫描常用权重)ASIR-V相比,使用DLIR-L、DLIR-M和DLIR-H算法重建图像的SD分别降低了15.39%、29.61%和45.11%;随着ASIR-V权重或DLIR级别的升高,SD越低,SNR越高。在相同权重迭代算法(30%-ASIR-V)下,低剂量与常规剂量相比图像的SD升高了68.33%,SNR降低了41.03%;但是,低剂量组采用DLIR-H进行图像重建后,与常规剂量组30%-ASIR-V重建图像相比,SD下降了7.61%。

表1 A、B组不同重建算法下试管内定量参数测量结果

3.图像质量的主观评价

三位放射科医师对A组和B组不同算法重建图像上图像质量的主观评分结果详见表2。三位医师对A组及B组中FBP、不同权重迭代算法(30%-ASIR-V,60%-ASIR-V,90%-ASIR-V)及不同级别DLIR算法(DLIR-L、DLIR-M、DLIR-H)获得的重建图像上图像噪声和分辨率(图像空间分辨率/密度分辨率部分)的主观评分的一致性均较好(Kappa≥0.80,P<0.05)。图像噪声评分随着ASIR-V的权重或DLIR级别的升高而降低,基本与客观评价结果的变化趋势类似;图像分辨率评分随着ASIR-V权重的升高而降低,但随着DLIR级别的升高而升高(图3～4)。与A组常规剂量的图像质量(噪声和分辨率)相比,应用DLIR能够达到常规剂量扫描的图像质量,尤其是应用高级别深度重建算法。

表2 A、B组不同重建算法下图像噪声、密度及空间分辨率的主观评分

图3 A组常规剂量30%-ASIR-V和B组低剂量不同重建算法获得的JIS体模重建图像。在相同算法(30%-ASIR-V)下体模内各结构的形态、边缘及清晰度的显示清晰度均低于常规剂量。体模内各结构的形态和边缘在低剂量FBP图像和不同权重ASIR-V重建图像上均显示欠清晰,而在DLIR-L、DLIR-M和DLIR-H图像上显示清晰。a)A组常规剂量30%-ASIR-V;b)B组FBP;c)B组30%-ASIR-V;d)B组60%-ASIR-V;e)B组90%-ASIR-V;f)B组DLIR-L;g)B组DLIR-M;h)、B组DLIR-H。

图4 A组常规剂量30%-ASIR-V和B组低剂量不同重建算法获得的体模重建图像,在相同算法(30%-ASIR-V)下体模内各结构的形态、边缘及清晰度的显示清晰度均低于常规剂量。体模内各结构的形态和边缘在低剂量FBP图像和不同权重ASIR-V重建图像上均显示欠清晰,而在DLIR-L、DLIR-M和DLIR-H图像上显示清晰。a)A组常规剂量30%-ASIR-V;b)B组FBP;c)B组30%-ASIR-V;d)B组60%-ASIR-V;e)B组90%-ASIR-V;f)B组DLIR-L;g)B组DLIR-M;h)B组DLIR-H。

讨 论

迭代重建算法是目前CT图像的主要重建方法,通过改变权重达到不同程度的降噪效果,同时能提高图像的对比度。但是一些学者发现高权重迭代重建算法会改变图像的噪声幅度和纹理特征,出现过度平滑现象[1-4]。本研究结果也表明随着ASIR-V的权重增加,图像的噪声(SD)降低,SNR升高,但是图像的空间分辨率和密度分辨率的主观评分明显下降,图像的噪声评分变差,因此使用高权重迭代算法获得的图像质量可能妨碍对图像的理解,限制了高权重迭代重建的使用和其在临床应用中减少辐射剂量的潜力,所以在本院的临床常规应用中设置的ASIR-V的权重为30%。

DLIR算法基于卷积神经网络,从数百万个训练参数中对低噪声、高分辨率的高剂量滤波反投影图像纹理进行比对合验,直至输出图像与相同数据高剂量的图像一致。杜煜等[6]在低辐射剂量条件下(CTDI从13.6 mGy降低60%至5.45 mGy)应用DLIR可以使图像达到常规剂量的图像质量。Cheng等[7]在CTU扫描中发现深度学习算法可以明显降低图像噪声,并在辐射剂量减少71%的情况下保持图像质量不变。Jiang等[8]研究证实使用DLIR进行超低剂量(接近胸片剂量)CT扫描可以获得接近常规剂量胸部CT扫描的图像质量,较迭代重建算法显著提高了对结节检出率、结节测量准确性和结节恶性相关征象显示。Li等[9]在进行低剂量条件下提高增强腹部CT图像质量的可行性研究时发现当辐射剂量降低57%,采用深度学习H档进行图像重建时图像噪声较低,病变细节显示良好。

本研究从主客观两方面采用了多项指标来评估深度学习重建算法(DLIR)对图像分辨率和噪声的影响。从主客观分析结果来看,随着ASIR-V权重的增加,图像的噪声(SD)降低,SNR升高,但空间分辨率和密度分辨率的主观评分明显下降。临床常规扫描权重30%-ASIR-V重建图像的SD值为14.98±1.52,低剂量(CTDI从11.5 mGy减低63.30%至4.22 mGy)30%-ASIR-V重建图像SD值为25.21±2.47,相比常规剂量图像SD升高68.33%,从主观评分结果看,在相同算法下辐射剂量降低,图像噪声增大,图像分辨率降低。从客观分析结果来看,同一剂量条件下,使用DLIR不同级别(L/M/H)进行重建,与30%-ASIR-V图像相比,SD分别降低了15.39%、29.61%和45.11%,而SNR值逐渐升高;从主观评分结果来看,DLIR图像的分辨率随着DLIR级别的升高而升高,以DLIR-H为最佳;而降噪能力随着DLIR级别的升高而增加,DLIR-H图像的SD为13.84±1.42,较临床常规扫描时30%-ASIR-V重建图像的SD下降了7.61%,而且图像质量(噪声和分辨率)能达到常规剂量的图像质量,上述研究结果与文献报道基本一致[6-12]。

本研究的局限性:本研究中低剂量扫描条件仅设置了一组,并未研究使用其它降低辐射剂量的方法时DLIR对图像质量的影响;其次,本研究对象为体模,未涉及对病变的显示情况进行评估等内容,而不同病种对图像细节的要求可能有一定差异,故本研究结果在临床验证中还可能存在一些差异。

综上所述,应用深度学习重建算法(DLIR)获得的图像,要比传统的ASIR重建图像更有优势,尤其是有利于低剂量扫描时在保证图像分辨率的同时有效减低图像噪声,为低剂量扫描提供了更广泛的应用场景。