噪声指数联合深度学习图像重建对肺部CT图像质量和辐射剂量的影响

摘要：目的 "探讨深度学习图像重建（DLIR）在超低剂量肺部CT成像中的应用价值。方法 "选取2024年3～4月在陕西中医药大学附属医院行肺部CT平扫患者66例。所有患者均采用GE Revolution CT扫描，固定管电压100 kVp，第1次采用噪声指数（NI）=15的常规辐射剂量扫描，滤波反投影算法重建图像；第2次采用NI=45的超低辐射剂量扫描，中、高等强度深度学习图像重建（DLIR-M、DLIR-H）进行对比。在3组重建图像上测量左上肺乏血供区域CT值与标准差值（SD），SD代表噪声，计算信噪比（SNR）。由2位放射科诊断医师采用5分法进行主观评价，比较3组客观数值和主观评分。结果 "NI=45组约减少93.7%辐射剂量；DLIR强度影响超低剂量条件下客观指标，DLIR-H较DLIR-M有更低的噪声，更高的SNR（Plt;0.05）；2位医师对3组图像质量一致性评价好（Kappa值为0.952、0.846、0.903）；对比3组图像质量评分、图像合格率及满意率，差异无统计学意义 " " " " " （Pgt;0.05）。结论 "在减少93.7%辐射剂量条件下，DLIR能够获得与常规剂量接近的肺部图像，进一步减低了肺部疾病筛查的辐射剂量。

关键词：超低剂量；肺部CT；深度学习；图像质量；辐射剂量

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检查已广泛应用于肺癌、肺炎筛查或需反复CT复查的患者中，与之密切相关的电离辐射也受到了人们的关注［1］。已有研究表明，电离辐射与癌症发病率密切相关［2-4］，长期或频繁暴露会增加患者患癌风险，约2%的癌症由CT扫描中过高辐射剂量引起［5］。但辐射剂量降低必然导致图像质量下降，因此在低剂量扫描时，保证图像质量成为亟待解决的问题。滤波反投影（FBP）算法在超低剂量（ULDCT）扫描中因算法本身的限制在实际应用中受到限制［6］。近年来，基于人工智能的深度学习图像（DLIR）重建技术已应用于临床，能够显著降低低剂量图像的噪声，抑制伪影，达到提高或保证图像质量的效果［7-11］。但既往研究受图像重建技术的限制，仅将辐射剂量降低至0.88 mSv［12］。本研究联合DLIR技术进一步降低辐射剂量，通过与常规剂量FBP重建图像质量对比， 探讨DLIR技术在超低剂量肺部CT成像中的应用价值，进一步降低患者辐射暴露。

1 "资料与方法

1.1 "一般资料

选取2024年3～4月在本院行肺部CT扫描的66例受检者作为研究对象，其中男34例，女32例；年龄20～76（49.79±14.45）岁，BMI为23.46±2.79 kg/m2。

纳入标准：年龄gt;18岁；患者能够配合指令完成CT扫描；图像无明显运动伪影。排除标准：年龄lt;18岁；患者合并智力、认知功能障碍无法配合CT检查；图像运动伪影明显；孕期妇女。本研究通过医院伦理委员会批准（伦理审批号：SZFYIEC-PJ-2024年第[78]号），检查经患者知情同意。

1.2 "扫描及重建方案

全部患者均行肺部CT扫描，采用GE Revolution 256排CT扫描仪。扫描开始前，嘱咐患者保持仰卧位，双手上举，置于头顶，对未扫描部位做好防护，并在调节好定位线后开始扫描。从肺尖开始扫描至肋膈角最低点为止。对每个患者均在1次屏气期间扫描2次，采管电流自动调节协议预设两组不同噪声指数（NI），管电压固定100 kVp，管电流自动调整控制辐射剂量。第1次为NI=15常规剂量CT扫描方案，第2次为超低剂量CT扫描方案。余扫描参数相同：扫描层厚、层间距5.0 mm，球管旋转速度0.5 s/转，螺距1.531：1，准直宽度80 mm。

对扫描原始数据采用不同重建算法，其中NI=15的常规剂量CT图像采用FBP算法进行图像重建，重建内核为Lung；NI=45的超低剂量图像采用中、高等强度深度学习算法（DLIR-M和DLIR-H）进行图像重建，重建内核为Standard-E3。所得3组图像均采用肺窗进行重建，窗宽为1500 HU，窗位为-600 HU。重建层厚、层间距均为1.25 mm。

1.3 "图像质量评价

1.3.1 " 主观评价 " 由2位具有5年和8年以上工作经验的影像诊断医师（A、B）观察3组肺部图像，并对图像质量进行独立评分，并记录各自评分结果，用于一致性分析评价。当两者意见存在分歧时，先协商讨论得出统一结果，若还存在不一致，则以科室内一位副主任医师评价结果为准。对3组图像采用5分法进行主观评价［13］ （主要观察肺组织噪声、主气管、中央及周围肺血管、支气管），评分标准：1分（很差），图像噪声较大，肺组织结构显示不清，无法诊断；2分（较差），图像噪声较大，肺组织结构显示欠清，影响诊断；3分（一般），图像噪声一般，肺组织结构显示一般，可以诊断；4分（良好），图像噪声较小，肺组织结构显示较清楚，满足诊断；5分（优），图像噪声小，肺组织结构显示清晰，满足诊断。统计图像合格率、满意率，合格图像定义为图像质量评分≥3分，满意图像定义为图像质量评分≥4分［14］ 。

1.3.2 "客观评价 " 将所有上述患者重建图像数据传至GE AW4.7后处理工作站进行测量分析。为保证客观数据测量的一致性，3组重建图像数据均由同一位放射科主治医师（5年以上工作经验）测量。在3组肺窗重建图像中，利用软件自带的联动功能，于同一层面选择左肺上叶乏血运区域（尽量避开支气管、肺血管）勾画形状、大小、位置一致的类圆形感兴趣区（ROI），ROI范围为50～100 mm2。分别测量3次取平均值，采用复制粘贴的功能保持每次测量ROI大小相同。记录获得的CT值及标准差（SD），图像噪声为肺实质的SD值，计算3组图像的信噪比（SNR）。计算公式SNR=CT值/SD值［15］ 。

1.3.3 "辐射剂量 " 根据每次扫描后机器自动生成的剂量报告，记录剂量-长度乘积（DLP）、容积CT剂量指数（CTDIvol），然后根据公式ED=DLP×k，计算胸部有效辐射剂量（ED）。其中k为换算系数，参考欧洲CT质量指南标准，胸部k=0.014 mSv/（mGy·cm）［16］ 。

1.4 " 统计学分析

数据统计分析采用SPSS26.0软件。计量资料采用K-S检验进行正态性分析，符合正态分布的数据以均数±标准差表示，组间比较采用单因素方差分析法；不符合正态分布的数据以中位数（四分位数间距）表示，组间比较采用Kruskal⁃Wallis H检验；组间两两比较采用Bonferroni法。计数资料以n（%）表示，组间比较采用χ2或Fisher精确概率法。2位诊断医师的主观评分行Kappa一致性检验分析，Kappa值lt;0.4为一致性较差，0.40≤Kappalt;0.75为一致性中等，Kappa≥0.75为一致性较好。以Plt;0.05为差异有统计学意义。

2 "结果

2.1 "辐射剂量

NI=45的超低剂量扫描CTDIvol为0.31 mGy，DLP为11.93 mGy·cm，ED为0.17 mSv，NI=15的常规剂量扫描，CTDIvol为4.88 mGy，DLP为196.56 mGy·cm，ED为2.75 mSv，差异均有统计学意义（Plt;0.05）。

2.2 "3组图像肺实质CT值、SD值及SNR值比较

3组重建图像总体及组间肺实质CT值比较，差异无统计学意义（Pgt;0.05）；3组图像总体及组间肺实质SD值比较，差异有统计学意义（Plt;0.001）；3组图像总体及组间肺实质SNR值比较，差异有统计学意义（Plt;0.001）。DLIR-H+E3组图像SD值最低，SNR最高，相较于FBP组及DLIR-M+E3组肺实质SD分别降低了5.77%、12.62%，SNR值分别升高了4.62%、16.01%（表1）。

2.3 "图像质量主观评价

2.3.1 "图像质量评分一致性分析 " 2位医师对3组重建图像主观评分一致性较好（表2），Kappa值分别为0.952（FBP）、0.846（DLIR-M+E3）、0.903（DLIR-H+E3）。

2.3.2 "图像质量比较 " 3组图像质量评分的差异无统计学意义（Pgt;0.05，表3）。3组图像合格率分别为92.4%、87.9%、90.9%，满意率分别为40.9%、30.3%、36.40%，差异均无统计学意义（Pgt;0.05，表4）。重建图像（图1）。

3 "讨论

CT检查已成为住院患者常用检查之一［17］ ，故应有效降低检查剂量，减低辐射损伤。目前已有多种方法用来降低辐射剂量，如低管电压、管电流，以及大螺距、高转速等，其中直接降低管电压、管电流是目前常用的方法［18-19］ 。管电压决定了X线的能量大小，较大的管电压产生较高能量X线，对组织的穿透能力更强，但同时也增加了辐射剂量。管电压减小会导致穿透能力下降，辐射剂量自然也降低。管电流决定了X线的数量，较高的管电流会产生更多的X线，增加图像信噪比的同时也增加了辐射剂量。研究显示，管电压恒定的情况下，随着管电流的增加，图像信噪比及图像质量逐步提高，辐射剂量也随之增加［20］ 。本研究采用NI技术，通过预先设定好NI值，在扫描过程中，机器根据患者肺部不同位置X线衰减系数不同动态调节电流大小，保证了图像噪声基本一致，且显著降低了患者的辐射剂量（较常规扫描降低93.7%）。相较于既往研究［12］ （NI=30）具有更低的辐射剂量（0.88 mSv vs 0.17 mSv）。但随着辐射剂量的降低，图像质量也受到影响，因此各大CT厂商通过开发不同的重建算法来优化低剂量图像质量。

FBP重建算法作为最早也是最常用的图像重建技术，具有较快的重建速度，目前仍作为大部分医院放射科的主要扫描重建图像。但该算法对数据采集完整度及辐射剂量有较高的要求，在提倡低剂量扫描的今天，FBP重建算法在低/超低剂量CT扫描时，明显增加了图像的噪声，降低图像分辨率，导致图像质量显著下降［21］ ，无法满足诊断要求。故本研究未对超低剂量扫描行FBP算法重建来进行对比。

深度学习图像重建DLIR算法作为最新一代基于人工智能的图像重建技术，在图像优化方面有出色的表现，可在保持图像纹理的同时降低图像噪声［22］ ，为辐射剂量的进一步降低提供了新方向。DLIR算法采用卷积神经网络，将“金标准”（高辐射剂量下高质量的FBP重建数据）图像与低剂量图像特征参数反复对比，包括噪声、分辨率等参数，使该算法不断对低剂量图像优化，减少与“金标准”图像间的差异，最终重建出剂量低且质量高的图像［23］ 。在这个过程中，实现了高图像质量、低辐射剂量和快速重建速度的三位一体。该算法受到了广大学者的青睐，并在临床应用中得到了很好的效果。有研究表明，0.2 mSv左右的超低剂量肺部CT扫描获得的图像，在经过深度学习图像重建处理后能达到与1 mSv左右常规扫肺部CT扫描图像的诊断效果，使得扫描剂量向X线片进一步靠近［24］ 。有学者采用DLIR-H算法在低剂量条件下得到了接近常规剂量的图像质量［25］ 。以上研究表明，DLIR能改善低剂量条件下图像质量，且在DLIR-H时图像效果最好，本研究结果与之一致。有研究比较了3种图像重建算法对图像噪声降低的影响，结果显示相同剂量下DLIR的降噪效果最佳，图像质量最好，FBP效果最差，且随着重建级别的增加，噪声逐渐降低，信噪比逐渐增加，DLIR-H呈现出的整体效果最好［26］ ，这与本研究结果一致。但在肺纹理显示中表现并不满意，猜测可能与目前DLIR算法只能使用重建标准内核进行重建有关，故本研究在标准内核重建的基础上增加了E3滤过后处理，以期达到更清楚显示肺纹理，提高空间分辨率［27］ 。在一项使用超低剂量CT胸部扫描检测肺结节的研究中［28］ ，DLIR-H检出率（75.8%）最高，FBP检出率（62.55%）最低，表明深度学习重建降低了图像噪声，提高了结节检出率及测量精度，且能够接近标准剂量下的图像质量。

本研究结果表明，NI=45超低剂量扫描相较于NI=15标准剂量扫描，在辐射剂量方面显著降低了93.7%，表明NI的大小影响CT检测的辐射剂量，这与既往的体模研究［29］ 一致。3组重建图像CT值的差异无统计学意义（Pgt;0.05）。其次，3组重建图像在SD、SNR值方面，差异均有统计学意义（Plt;0.05）。虽然DLIR-M+E3组有高SD、低SNR（相较于FBP组），但在对3组重建图像质量一致性评价过程中，2位诊断医师的一致性极好，且在图像质量评分、图像合格率及满意率方面，两组NI=45的中、高等强度的深度学习重建图像与NI=15的FBP组图像差异无统计学意义（Pgt;0.05），均能用于肺部疾病的筛查，表明降低剂量所带来的图像SD值增加及SNR值降低在可接受范围内，不会对图像质量及阅片诊断带来明显干扰。不过ULDCT在显示肺部病变显示方面有所不足，故需要结合临床实际情况，对明确病变的患者进一步采取常规剂量或增强扫描检查。另外，在同一辐射剂量下，DLIR-H图像在主观及客观评分都优于DLIR-M，这与既往研究［30］ 一致。

本研究的局限性在于：本研究仅讨论了肺窗图像显示效果，未对纵隔窗及肺内具体病变进行讨论分析；其次，样本量较少，未考虑到不同个体间的差异（如BMI），进一步研究将扩大样本量来验证DLIR算法对不同BMI患者在超低剂量条件下图像质量的影响。本研究的优点在于，同一患者先后采用标准剂量方案和超低剂量方案扫描，因此在两个剂量水平之间图像差异并不是由于在评估中使用了不同的患者。

综上所述，在100 kVp、NI=45的超低剂量扫描条件下，通过联合深度学习重组技术，可在显著降低受检者辐射剂量，减少辐射累积带来损伤的同时，得到符合诊断需求的图像质量，可用作肺部疾病的初步筛查或治疗后需多次复查的患者，提高肺部疾病的检测率。

参考文献：

［1］ " 王泽润， 曹永佩， 杨东升， 等. 管电压70 kV下迭代重建技术对超低剂量胸部CT扫描图像质量的影响［J］. 宁夏医学杂志， 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 "杨， 王峰先， 李 "洋， 等. TrueFidelity深度学习图像重组技术在儿童副鼻窦超低剂量CT检查中的初步应用研究［J］. 临床放射学杂志， 2023， 42（6）： 1003-8.

［8］ " "金 "鑫， 陈杭美， 傅钰沁. 深度学习图像重建算法在低剂量扫描对肺结节显示及测量的影响［J］. 医学影像学杂志， 2024， 34（3）： 140-2.

［9］ " "郭晓强， 侯楠楠， 王晓龙. 深度学习重建对胸部低剂量CT影像的影响研究［J］. 中国卫生工程学， 2024， 23（2）： 232-4.

［10］ "刘海法， 杨 "丽， 王 "琦， 等. 深度学习重建算法对胸部低剂量CT肺结节测量及显示影响的模体研究［J］. 放射学实践， 2023， 38（8）： 977-84.

［11］ "宋 "兰， 田杜雪， 王金华， 等. 胸部超低剂量CT应用深度学习重建行肺癌筛查的可行性研究［J］. 中华放射学杂志， 2022， 56（6）： 667-72.

［12］ "衣 "闯， 梁 "妍， 陈志仁. 低剂量CT胸部体检中噪声指数的设定［J］. 中国医学影像学杂志， 2017， 25（10）： 756-8， 760.

［13］ "刘 "铁， 李艳艳， 李 "鹏， 等. 胸部CT图像质量评价与辐射剂量的临床应用研究［J］. 影像技术， 2024， 36（1）： 19-23， 38.

［14］ "凌问非， 瞿亚伟， 余兆祥， 等. 肺部低剂量CT扫描对图像质量和辐射剂量的影响［J］. 影像研究与医学应用， 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， 安云强， 吕 "滨， 等. 中国冠状动脉CT血管成像扫描技术及辐射剂量的现状调查［J］. 中华放射学杂志， 2022， 56（4）： 405-10.

［18］ "李中丹， 曾绪知， 董 "科， 等. 低剂量胸部CT检查对胸部肿瘤性病变的检出和诊断效果评价［J］. 医学影像学杂志， 2024， 34（5）： 66-9.

［19］ "陈伟婷， 马光明， 何立宇， 等. 超低剂量胸部CT不同重建算法对肺炎定量及图像质量的影响［J］. 分子影像学杂志， 2024， 47（3）： 282-8.

［20］ "吕东博. 超低剂量下基于重建算法对胸部CT图像质量及肺结节的仿真体模研究［D］. 郑州： 郑州大学， 2021.

［21］ "冯倩倩， 于卫军， 唐 "威， 等. 三种不同重建算法在低剂量胸部CT图像质量中的比较［J］. 中国肿瘤临床与康复， 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 "颖， 等. 基于深度学习的图像重建算法在CT图像重建中的应用进展［J］. 中国医疗设备， 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. 基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估［J］. 四川大学学报： 医学版， 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 "骞， 张喜荣， 贾永军， 等. ASIR结合自动调节管电流技术在降低胸部CT辐射剂量的研究［J］. 现代医用影像学， 2021， 30（10）： 1820-5.

［30］ "张卓璐， 陈 "菁， 刘 "卓， 等. 深度学习重建算法对肺部CT定量分析及图像质量的影响［J］. 放射学实践， 2023， 38（4）： 434-40.

（编辑：郎 "朗）