深度學習圖像重建算法的臨床應用和發(fā)展前景

摘要深度學習圖像重建算法是目前CT圖像重建領域最為前沿的技術，隨著算法的不斷優(yōu)化和模型泛化性的提升，適用人群和全身各部位的臨床應用也在不斷拓展，在疾病診治中發(fā)揮了重要作用。深度學習圖像重建算法能夠降低圖像噪聲、消除偽影、避免“過度平滑”的視覺感觀，提升主觀診斷效能，并有助于CT檢查中輻射劑量的降低。此外，深度學習圖像重建算法不影響CT圖像重建的速度，能夠滿足臨床工作流的需求。隨著對深度學習圖像重建算法的不斷探索以及臨床應用的拓展，可以挖掘深度學習圖像重建算法的潛在優(yōu)勢，提升CT臨床應用的能力。自20世紀70年代問世以來，CT技術已經(jīng)取得了長足的發(fā)展。圖像重建算法的進展推動著CT成像技術的進步。濾波反投影（filteredback

projection，F(xiàn)BP）是最傳統(tǒng)的重建算法之一，從20世紀80年代開始沿用至今。對于FBP重建，測量的投影數(shù)據(jù)（即正弦圖數(shù)據(jù)）首先會經(jīng)過卷積濾波器處理，以補償CT采集過程中固有的非均勻數(shù)據(jù)采樣引起的模糊，過濾后的投影數(shù)據(jù)通過反投影轉換到圖像空間，生成最終的FBP圖像。FBP方法依賴于多種理想狀態(tài)下的假設，如點狀X射線源、鉛筆狀X射線束的幾何形狀、檢測器元件的中心點和無噪聲的投影數(shù)據(jù)。由于數(shù)據(jù)采集過程中的簡化近似，F(xiàn)BP不能考慮非理想狀態(tài)下的測量誤差，如泊松統(tǒng)計變化、散射或光束硬化效應，導致低劑量CT的圖像噪聲和偽影放大。為了改善FBP在低劑量圖像中的不足，自2009年以來，各種迭代重建（iterative

reconstruction，IR）算法被引入臨床，目的是降低圖像噪聲，在不損失圖像質(zhì)量的情況下實現(xiàn)低劑量CT成像。IR是在計算圖像數(shù)據(jù)時迭代最小化一個目標函數(shù)以滿足預定的收斂標準。目前IR算法大體可以分為代數(shù)重建（algebrareconstruction

technique，ART）、混合重建（hybridIR）和基于模型的迭代重建（modelbasediterativereconstruction，MBIR），其中MBIR是效果最好的迭代算法。盡管IR對CT劑量優(yōu)化有很大貢獻，但仍有一些局限性。IR重建圖像耗時長，且圖像的噪聲紋理通常與傳統(tǒng)的FBP圖像不同，這會影響醫(yī)師的主觀接受度和診斷信心。IR的圖像容易產(chǎn)生“斑點狀”或“蠟像感”的偽影，而且當?shù)鷱姸仍龈邥r，這種情況更加突出。鑒于過去幾年計算機運算力的顯著提升和復正迅速被用于各種場景，包括醫(yī)學圖像領域。機器學習（machinelearning，ML）是人工智能的一個子類，它可以根據(jù)自己的經(jīng)驗學習提高自己的性能，而不需要預先編程的明確規(guī)則。深度學習（deeplearning，DL）是一類機器學習，可以直接從原始數(shù)據(jù)中自行學習和提取最佳特征。典型的DL利用多個具有深度神經(jīng)網(wǎng)絡（deepneuralnetwork，DNN）的隱藏層中的人工神經(jīng)元或節(jié)點以不同的權重連接。CT的深度學習圖像重建算法（deep

learningimagereconstruction，DLIR）就是基于DNN來完成圖像重建。首先，向DNN提供數(shù)千組匹配的數(shù)據(jù)，即一個低劑量低質(zhì)量圖像數(shù)據(jù)和一個高劑量高質(zhì)量圖像數(shù)據(jù)，然后進行模型訓練，即對網(wǎng)絡中的神經(jīng)連接點的參數(shù)進行數(shù)百萬次迭代和調(diào)整。在訓練過程中，模型在監(jiān)督下學習如何去除低質(zhì)量圖像中的噪聲，并將其轉換成高質(zhì)量的圖像，且不影響解剖和病理結構。此外，訓練過程中，需使用驗證集來檢驗模型的狀態(tài)，若模型達到性能峰值，即停止訓練，以防過擬合。訓練完成后，使用測試集進行模型的性能評估并確認最終模型。經(jīng)過充分的模型訓練和測試后，創(chuàng)建DLIR引擎，并部署在特定CT系統(tǒng)上運行，根據(jù)臨床需求，醫(yī)師可以選擇不同重建強度，如DLIR高、DLIR中、DLIR低。目前有兩種商業(yè)上可用的基于DL的CT圖像重建算法，包括GE醫(yī)療的TrueFidelityTM和佳能醫(yī)療的AiCE。其中，AiCE算法采用高劑量MBIR數(shù)據(jù)作為訓練目標，目標圖像的重建要經(jīng)過比商業(yè)化的MBIR更多的迭代次數(shù)，以達到最佳的圖像質(zhì)量。與AiCE不同的是，TrueFidelityTM使用高劑量的FBP圖像作為目標數(shù)據(jù)，其概念是復制大多數(shù)放射科醫(yī)師熟悉的FBP圖像的噪聲紋理和視覺印象。而且與AiCE算法不同，TrueFidelityTM引擎直接從投影數(shù)據(jù)中產(chǎn)生DLIR圖像，以獲得高信噪比（signaltonoiseratio，SNR）、高對比噪聲比（contrasttonoiseratio，CNR），且無“過度平滑”感的自然醫(yī)學圖像。近年來，基于DL的CT圖像重建算法在臨床應用方面開展了諸多研究。針對頭顱CT掃描，DLIR算法可以顯著降低腦組織的噪聲和后顱窩偽影，并提高CNR和主觀圖像質(zhì)量而優(yōu)化掃描協(xié)議；與IR相比，DLIR在頭顱CT平掃圖像中噪聲降低了10.0%~52.2%，對比度提高了20.0%~99.5%，腦灰白質(zhì)區(qū)分能力提高了8.7%~25.9%，偽影減少了17.1%~38.6%，總體圖像質(zhì)量提高了16.4%~30.8%。在顱腦創(chuàng)傷患者的檢查中，DLIR較基于多模型的迭代重建（adaptivestatisticaliterative

reconstructionveo，ASiRV）顯著提高了顱腦解剖結構細節(jié)和蛛網(wǎng)膜下腔出血顯示的能力，并獲得更多的可滿足臨床診斷的圖像；這些診斷優(yōu)勢可用于顱底病變、微小出血、腔隙性腦梗死等方面的診斷。對下頜骨牙模超高分辨率CT成像的研究顯示，針對口腔內(nèi)金屬偽影的去除，去金屬偽影技術聯(lián)合DLIR算法較其聯(lián)合迭代算法降低噪聲約228.7%，減少金屬偽影約76.9%，提高下頜骨病變形狀測量的可重復性約55.2%。在胸部CT成像中，使用超低輻射劑量（0.07~0.19mSv）模式掃描，DLIR高模式可以降低34.7%的噪聲，提高13.3%的肺結節(jié)檢出率、3.1%的結節(jié)長徑測量精度、4.6%的結節(jié)體積測量精度和9%的惡性征象檢出率。針對肺部彌漫性病變，在低劑量胸部CT掃描條件下對慢性阻塞性肺疾病的肺氣腫體積進行定量評估，發(fā)現(xiàn)DLIR高模式下的圖像與標準劑量FBP圖像的相關性最好，可準確、定量評估肺氣腫的嚴重程度。利用DLIR還可以優(yōu)化冠狀動脈CT血管成像（coronaryCTangiography，CCTA）的圖像質(zhì)量，與標準劑量的ASiRV100%比較，DLIR高模式有助于將輻射劑量從1.4降至0.8mSv，同時對圖像噪聲沒有影響，實現(xiàn)了低電壓、低輻射劑量和低對比劑劑量的高質(zhì)量掃描；另外，利用兩者重建的圖像進行冠狀動脈不同狹窄程度和斑塊成分的評估，其一致性分別達到0.995和0.974，且利用BlandAltman對斑塊體積進行分析，兩者差異僅為（-0.8±2.5）mm3。在腹部CT成像中，DLIR也可以降低圖像噪聲，減少圖像偽影，即便是超重患者（BMI≥25kg/m2），DLIR依然可以保持高質(zhì)量的腹部CT圖像。在胰腺癌術前可切除性評估方面，和FBP及ASiRV60%相比，DLIR高可提高薄層腹部CT的整體圖像質(zhì)量，降低薄層圖像的噪聲、改善病灶的顯示，增加了胰腺癌可切除性評估的診斷信心，同時降低了觀察者間的不一致性。在肥胖患者［BMI為（29±6）kg/m2］肝轉移性腫瘤的評估中，與標準劑量CT圖像相比（輻射劑量達34.9mGy），DLIR可以降低65%的輻射劑量，而且圖像質(zhì)量更優(yōu)（擬然比1.6），保證了>0.5cm的病灶的檢出率，提高了醫(yī)師的診斷信心，但對于≤0.5cm的病灶，檢出率不如標準劑量的圖像。在兒科檢查中，CT輻射劑量應嚴格遵循輻射防護與安全最優(yōu)化原則。DLIR算法有助于實現(xiàn)兒童胸部雙低劑量的CTA成像，不僅圖像噪聲更低，而且改善了血管對比度和血管邊緣清晰度。針對兒童頭顱CT成像，DLIR高模式能提高圖像質(zhì)量，基于薄層圖像（0.625mm）可以發(fā)現(xiàn)更多的病灶，降低85%的輻射劑量。DLIR技術代表了CT重建算法的突破，目前在