深度学习重建改善胸部低剂量CT图像质量的价值.pdf

摘要

目的

探讨深度学习重建（DLR）较混合迭代重建（HybridIR）在改善胸部低剂量

CTL（DCT）图像质量方面的效。

方法

回顾性分析2020年10月至2021年3月在北京某医院行胸部LDCT体检或

因肺内结节定期复查的77例患者。对所有入组患者的影像资料进行不同算法重

建，获得标准级别HybridIR图像、标准和强级别DLR图像。在3种图像的肺实

质、主动脉、肩胛下肌及腋下脂肪内选取感兴趣区并测量其CT值和标准差，用

于计算信噪比S（NR）和对比噪声比C（NR）o同时，由2名影像医师按照Likert

5分量表法对图像质量进行主观评分，且记录肺磨玻璃结节G（GN）的数量，并

对其显示情况进行评分。2名医师评分不一致时曰第3名医师评分决定。采用

Kruskal-allis非参数检验对3种图像的主观和客观评分进行分析，若总体存在差

异，则用Bonferroni校正检验进行组内两两比较。

结

3种图像在肺实质、主动脉、肩胛下肌及腋下脂肪处的CT值差异均无统计

学意义P（均＞0.05）,而图像噪声、SNR和图像的CNR差异均有统计学意义P（均

＜0.05）,＞其中标准级别HybridIR图像、标准和强级别DLR图像的CNR分别为0.71

0（.49,0.88）、1.060（.78,1.32）和1.140（.84,1.48）。标准级别和强级别

DLR图像均较标准级别HybridIR图像的主观和客观噪声低及SNR和CNR高，差

异均有统计学意义P（均＜0.05）o在对主要解剖结构肺（裂、肺血管、气管和支

气管、淋巴结、胸膜和心包)和GGN的显示上，标准级别和强级别DLR图像评

分明显优于HybridIR图像，差异均有统计学意义(P均＜0.05)。

结论

与HybridIR相比，DLR可以明显降低LDCT图像的噪声,且对GGN的显示良

好，有助于在较低辐射剂量水平时保证图像质量，从而改善采用CT行肺癌筛查

及肺结节随访的安全性。

肺癌是我国患病率和病死率最高的肿瘤。研究显示磨玻璃结节(ground-glass

nodule,GGN)进展为肺癌的风险很高，其CT表现与肺腺癌侵袭程度密切相关。

早期检出GGN并对其进行定期随访、监测，有助于降低肺癌的发病率。目前，

CT的广泛使用使得GGN的检出率明显提高，但同时存在辐射剂量负担增加等风

险。美国国立综合癌症网络关于肺癌筛查指南推荐将低剂量CT(low-doseCT,

LDCT)作为最佳筛查方式，并指出定期监测GGN能有效降低肺癌高危人群的

死率。而实现低剂量扫描的重要方法是降低管电压和管电流。应用传统的滤波反

投影(filtered-backprojection,FBP)对获得的低剂量CT图像进行重建,会导致

图像噪声和伪影增加，图像质量降低而不能满足诊断需求。近年来研究者致力于

改善图像质量，发明了混合迭代重建(hybriditerativereconstruction,HybridIR)

和全模型迭代重建(model-basediterativereconstruction,MBIR)等重建算法。

这些算法能够显著降低图像噪声、改善图像质量，具有重要的临床应用价值。如

Christe等发现在迭代重建图像中，低剂量对肺结节检出的灵敏度无影响，证实

了LDCT图像的诊断性能可达到标准剂量CT(standard-doseCT,SDCT)图像的诊

断效能。但有研究表明，迭代重建算法在扫描剂量进一步降低时，其降噪效果大

幅度降低，临床应用相对受限。最近新研发的深度学习重建(deeplearning-based

reconstruction,DLR)算法通过使用深度卷积神经网络(deepconvolutional

neuralnetworks,DCNN),