基于深度学习的ClearInfinity算法对腹部体模CT扫描图像质量和辐射剂量的影响

侯平，刘杰，陈岩，高剑波，李甸源，李雨桐

1.郑州大学第一附属医院 放射科，河南 郑州 450052；2.郑州大学 基础医学院放射医学教研室，河南 郑州 450001；3.东软医疗系统股份有限公司 CT产品事业部，辽宁 沈阳 110167

引言

螺旋CT扫描对腹部病灶的检出、诊断及疗效评估等有至关重要的作用，但因其电离辐射引起的潜在风险使低剂量CT扫描应用更为广泛[1]。既往腹部CT低剂量成像研究多采用降低管电压、管电流及迭代重建（Iterative Reconstruction，IR）算法等[2-4]。IR算法因高权重使用时易发生图像过于平滑或图像纹理改变等问题，会影响诊断的可信度[5-6]，使其临床应用相对受限。随着人工智能（Artificial Intelligence，AI）技术的发展，基于卷积神经网络的深度学习图像重建技术已在胸腹部、心脏及脑实质中广泛应用，可改善低剂量设置下的图像质量[7-9]。目前由东软医疗系统股份有限公司研发的最新一代深度学习CT图像重建算法—ClearInfinity （CI）算法，目的为在超低剂量采集模式下能有效去除图像噪声和伪影，提高图像信噪比，同时保证图像细节。基于此，本研究以腹部仿真体模为对象，旨在探讨CI算法较常规迭代算法（ClearView，CV）在成人腹部扫描中提高图像质量的能力，以期探寻最佳的CI比例优化方案。

1 资料与方法

1.1 扫描设备及方案

采用512层螺旋CT机（NeuViz Glory CT，东软医疗系统股份有限公司），分别在CT剂量容积指数（Volume CT Dose Index，CTDIvol）为15、10、7.5、5.0和2.5 mGy 5种不同辐射剂量设置下对成人腹部仿真体模进行常规螺旋扫描，共5组，每组扫描条件下均重复扫描10次，其他扫描参数基本保持一致：电压120 kV，转速0.5 s，准直256 mm×0.625 mm，螺距1.0，扫描视野50 cm×50 cm。重建参数：层厚5.0 mm，层间隔5.0 mm，腹窗窗宽350 HU，窗位40 HU，重建矩阵512×512，滤波参数F20。每组剂量水平下所得图像，分别进行滤波反投影（Filtered Back Projection，FBP）重建、迭代重建（50%CV、90%CV）及深度学习CI重建，CI重建分别采用5个不同权重（10%CI、30%CI、50%CI、70%CI、90%CI）进行重建，共40组数据。

1.2 图像评估

1.2.1 主观评分

由2名具有5年以上工作经验的放射科医师采用盲法独立对40组图像质量进行评估，评分标准采用5分制[10]：5分，图像解剖结构和细节清晰，无明显噪声，边缘锐利，无蜡像感；4分，图像解剖结构和细节较清晰，噪声轻微，边缘锐利度稍降低；3分，图像大部分解剖结构尚清晰，有少量蜡像感，局部噪声明显但可接受，边缘锐利度较低；2分，图像解剖结构和细节模糊，噪声明显，边缘锐利度低，有较强蜡像感；1分，图像解剖结构无法分辨，噪声极明显，边缘锐利度差，蜡像感严重。图像评分＞3分认为可满足临床诊断需求。

1.2.2 客观评价

将各组重建图像传至AVW2.0后处理工作站，由1名经验丰富的腹部放射科医师测量完成。选取每组图像的肝门及肾门层面，分别在肝脏和左侧肾脏勾画感兴趣区（Region of Interest，ROI），直径约 10 mm,分别测量其 CT值；在同层面腰大肌内勾画ROI，取其像素标准差（Standard Deviation，SD）为图像噪声值。测量时采用复制粘贴的方法，以保持不同重建图像同一部位ROI大小、位置一致，测量3次取平均值。以FBP为参照，计算各算法下降低SD的能 力，SD%=（SDFBP-SDCV/CI）/SDFBP×100%，其中 SDCV为50%CV或90%CV图像的SD值，SDCI为10%～90%CI图像的SD值。

1.3 重建时间

记录每组重建算法的重建时间。

1.4 统计学分析

采用SPSS 21.0统计软件进行分析。采用单因素方差分析比较各组图像CT值、噪声及SD%，组间比较采用Bonferroni校正。各组间主观评分采用Kruskal-Wallis检验；采用Kappa检验对2名医师主观评分做一致性分析：Kappa≤0.20表示一致性较低，0.21～0.40表示一致性一般，0.41～0.60表示一致性中等，0.61～0.80表示一致性较高，0.81～1.00表示一致性很高。P＜0.05为差异有统计学意义。

2 结果

2.1 主观评分分析

2名医师主观评分一致性较高（Kappa=0.76）。不同重建算法下，90%CV、70%～90%CI图像主观评分均降至3分以下，50%CV和10%～50%CI水平图像均能满足诊断需要，评分＞3分。常规剂量水平（CTDIvol≥7.5 mGy）下，10%CI重建图像主观评分最高，30%～50%之间随着CI比例的增高主观评分逐渐降低，但评分均＞3分；低剂量水平（CTDIvol≤5 mGy）下，10%～30%间随着CI比例的增高，图像主观评分呈增高趋势，至30%CI水平图像评分最佳，50%～90%间随CI比例的增高，主观评分逐渐降低，50%CI重建图像质量优于FBP重建（P值均＜0.05），见表1和图1。

表1 不同重建算法下各组图像主观评分比较（±s，分）

表1 不同重建算法下各组图像主观评分比较（±s，分）

注：FBP：滤波反投影法；CV：ClearView迭代算法；CI：ClearInfinity算法。

组别CTDIvol/mGy 15 10 7.5 5 2.5 FBP 4.41±0.37 4.44±0.49 4.31±0.46 3.75±0.46 3.06±0.18 50%CV 4.44±0.49 4.31±0.46 4.25±0.71 3.81±0.37 3.90±0.46 90%CV 1.69±0.46 2.37±0.44 2.25±0.53 2.00±0.27 1.69±0.59 10%CI 4.75±0.46 4.50±0.46 4.48±0.52 3.78±0.37 3.29±0.32 30%CI 4.38±0.44 4.25±0.38 4.40±0.46 4.25±0.38 4.06±0.18 50%CI 4.06±0.17 3.81±0.37 3.38±0.52 4.07±0.46 3.44±0.49 70%CI 2.00±0.76 2.00±0.27 2.25±0.71 2.57±0.49 2.59±0.45 90%CI 1.25±0.46 1.38±0.52 2.13±0.83 2.13±0.64 1.44±0.62 Z值 51.878 51.746 48.269 48.912 52.550 P值 ＜0.001 ＜0.001 ＜0.001 ＜0.001 ＜0.001

2.2 客观评价分析

2.2.1 组间CT值比较

不同剂量水平下，随着CV和CI比例的增加，不同部位的CT值差异无统计学意义（P＞0.05），见表2～3。

表2 不同重建算法下各组图像肝脏CT值比较（±s，HU）

表2 不同重建算法下各组图像肝脏CT值比较（±s，HU）

注：FBP：滤波反投影法；CV：ClearView迭代算法；CI：ClearInfinity算法。

组别CTDIvol/mGy 15 10 7.5 5 2.5 FBP 74.24±3.16 73.16±3.54 75.88±3.55 72.44±3.44 74.73±2.22 50%CV 74.30±3.18 73.13±3.55 75.92±3.64 72.46±3.48 74.21±2.31 90%CV 74.28±3.03 73.17±3.60 75.97±3.57 72.42±3.52 73.57±2.93 10%CI 74.16±3.00 73.05±3.60 75.83±3.57 72.39±3.42 74.36±2.28 30%CI 73.96±3.01 72.93±3.60 75.73±3.57 72.26±3.39 74.11±2.32 50%CI 73.87±3.02 72.80±3.62 75.66±3.58 72.08±3.38 73.83±2.32 70%CI 73.43±3.01 72.64±3.67 75.54±3.61 71.93±3.40 73.60±2.34 90%CI 74.04±2.97 72.33±3.54 75.18±3.53 71.58±3.33 73.56±2.32 F值 0.072 0.056 0.043 0.068 0.256 P值 0.999 1.000 1.000 0.999 0.968

表3 不同重建算法下各组图像肾脏CT值比较（±s，HU）

表3 不同重建算法下各组图像肾脏CT值比较（±s，HU）

注：FBP：滤波反投影法；CV：ClearView迭代算法；CI：ClearInfinity算法。

组别CTDIvol/mGy 15 10 7.5 5 2.5 FBP 25.20±5.09 25.11±5.00 27.10±4.19 25.21±5.09 26.32±4.78 50%CV 25.91±4.97 25.23±5.01 24.78±4.10 26.30±4.17 25.16±4.00 90%CV 23.26±5.07 22.80±4.80 22.57±3.59 23.30±5.09 23.33±5.14 10%CI 23.33±4.70 23.54±5.20 23.61±4.57 23.40±5.38 23.40±3.97 30%CI 24.41±4.57 24.93±4.00 24.20±5.30 22.41±5.32 22.37±4.60 50%CI 25.55±4.07 25.01±4.48 26.17±4.64 27.01±4.38 26.10±5.61 70%CI 24.24±5.00 24.38±4.79 25.49±4.60 25.43±5.00 25.47±4.93 90%CI 25.30±4.62 25.29±4.78 24.18±4.93 25.42±5.10 25.17±4.03 F值 0.592 0.284 1.714 0.592 0.337 P值 0.706 0.920 0.144 0.706 0.889

2.2.2 噪声比较

各重建算法下，随着辐射剂量的升高，噪声逐渐降低；与FBP相比，CV和CI的图像质量更好，噪声更低，在相同的剂量水平下，随着权重系数的增加，图像噪声降低，各组间SD值差异有统计学意义（P＜0.001）。CV与CI重建算法比较，除50%CV和30%CI、50%CI和90%CV算法下图像噪声差异无统计学意义外，其余各组间差异均有统计学意义（P＜0.05），相同权重水平下，CI算法图像噪声较CV算法显著降低（P＜0.05），见表4和图1。

表4 不同重建算法下各组图像噪声比较（±s，HU）

表4 不同重建算法下各组图像噪声比较（±s，HU）

注：FBP：滤波反投影法；CV：ClearView迭代算法；CI：ClearInfinity算法。a表示50%CV组与30%CI组比较差异无统计学意义（P＞0.05）；b表示50%CI组与90%CV组比较差异无统计学意义（P＞0.05）；c表示70%CI组与90%CI组比较差异无统计学意义（P＞0.05）。

组别CTDIvol/mGy 15 10 7.5 5 2.5 FBP 7.76±0.72 9.45±1.12 10.19±0.89 12.64±0.53 16.36±1.16 50%CV 5.25±0.49 6.14±0.71 6.71±0.63 8.45±0.99 9.69±1.01 90%CV 3.68±0.38 4.30±0.54 4.84±0.67 6.35±1.30 6.69±0.81 10%CI 6.60±0.67 7.80±0.94 8.36±0.69 10.39±0.87 11.81±0.91 30%CI 5.18±0.54a 6.10±0.71a 6.66±0.71a 8.53±1.28a 9.45±0.69a 50%CI 3.75±0.39b 4.40±0.52b 5.10±1.03b 6.76±1.83b 7.09±0.56b 70%CI 2.43±0.33c 2.78±0.33 3.58±1.38 5.11±2.48 4.78±0.43 90%CI 1.81±0.35 2.05±0.27 2.85±1.42 4.30±2.64 3.35±0.45 F值 130.505 102.563 50.563 22.503 218.348 P值 ＜0.001 ＜0.001 ＜0.001 ＜0.001 ＜0.001

图1 常规剂量水平（以CTDIvol=7.5 mGy组为例）各重建算法下图像的噪声及主观评价

2.2.3 降低噪声的能力比较

如图2所示，与FBP算法相比，各重建算法降低图像噪声的能力（SD%）随着辐射剂量的降低和权重系数的增大而增大。相同权重水平下，CI的降噪能力均高于CV，以CTDIvol=10 mGy为例，50%CI算法图像降低噪声的能力较50%CV算法提高约18.41%。

图2 各重建算法降低噪声的能力比较

2.3 重建时间比较

FBP算法、CV算法、CI算法的运算时间分别为（6.48±0.21）、（6.70±0.07）、（6.68±0.56）s，各组间差异无统计学意义（F=1.046，P＞0.05）。

3 讨论

本研究对成人体模腹部平扫分别采用CV迭代重建和最新的深度学习CI算法重建，通过客观和主观评价比较不同重建算法提高图像质量的能力，结果显示，基于深度学习CI算法较CV迭代算法及FBP算法可以显著降低图像噪声，提高图像质量，保证图像解剖及纹理信息，尤其低剂量水平时推荐30%～50%CI重建，图像质量最佳。

对于腹部实质脏器需高密度分辨率及多期增强扫描的要求，获得高质量的CT图像与患者所接受的辐射剂量已成为业界关注热点，而噪声是评价CT图像质量的重要指标。既往研究表明，IR重建技术能够有效降低图像的噪声，提高图像对比度[2-4]。然而，IR技术临床应用相对受限，是由于高权重IR重建可能会使CT图像层次感下降，易出现过于平滑、蜡状或斑点状伪影[5,11]。本研究也证实，与FBP重建比较，随着Clearview迭代权重的增加，图像噪声明显降低，以常规剂量水平（CTDIvol=15 mGy）为例，50%CV和90%CV算法重建下噪声降低分别约32.38%和52.69%，而90%CV重建因图像层次感较差，出现蜡样伪影，主观评分较低，不能满足诊断需要。

随着AI技术在医学图像处理与分析方面的应用，能有效解决图像的噪声和不均匀问题。AI图像优化技术是基于迭代重建图像进行优化，依赖于重建后的CT迭代图像，直接对CT图像域进行去噪，在胸部、心脏及主动脉等部位得到广泛应用，研究显示AI图像优化技术可进一步降低IR重建的低剂量CT图像的噪声，提高图像质量，且不改变图像解剖结构和细节特征。而基于深度学习的ClearInfinity算法，是通过构建深度神经网络模型，使用数百万低剂量CT扫描原始数据作为网络输入，使用高剂量水平下采集的FBP重建图像作为训练目标，而非迭代重建数据域，通过监督学习的方式不断优化网络模型，实现对不同部位的高精度重建，能够有效去除图像中噪声和伪影，提高图像信噪比，恢复图像细节，保证了超低剂量采集模式下的高质量图像[12-16]。本研究结果表明，CI算法不会改变腹部各组织CT值，并可明显降低组织噪声，且降噪能力随着权重比例升高而增加。图像主观评分方面，常规剂量下使用10%～50%权重CI算法重建，随着权重系数增高图像评分呈基本稳定或提高趋势，尤其在超低剂量组（CTDIvol=5、2.5 mGy），FBP图像主观评分较低，使用CI算法重建图像后，图像噪声明显降低，组织解剖结构较清晰，能完全满足诊断需要，FBP算法在CTDIvol=10 mGy水平时图像与30%CI算法在CTDIvol=2.5 mGy水平时图像噪声、主观评分相当，这表明，使用30%CI时可降低约75%的辐射剂量，图像质量与常规剂量下FBP图像相当，这为实际工作中降低辐射剂量显示了巨大的潜力。但超过50%CI时，图像空间分辨率和边缘锐利度明显降低，主观评分低于3分，不能满足诊断需求，提示CI重建算法虽可明显降低图像噪声，但不建议使用过高权重，分析原因可能是由于高权重的CI算法在降低图像噪声的同时，会使图像噪声频率谱向左移，导致图像模糊，组织边界不清，从而影响对图像内不同解剖结构和边界锐利度的辨识能力，这一观点还需在下一步基础研究中验证。另外，CI算法运算时间与CV迭代算法相当，重建速度提高，进一步奠定了其临床应用的基础。

本研究的局限性：① 因体模实验为平扫，无增强图像，故未评估信噪比、对比噪声比等参数，有待在下一步增强扫描中验证；② 仿真体模内无病灶，与活体组织有明显差别，所获结果需收集病例样本进一步临床验证；③ 无法模拟不同体质指数患者的差异，特别是在高体质指数的患者扫描中，CI算法在降低辐射剂量与维持图像质量平衡方面的表现，有待进一步研究。

4 结论

本研究通过对腹部仿真体模研究发现，与常规FBP和ClearView迭代重建相比，基于深度学习的ClearInfinity算法可维持图像CT值不变，显著降低图像噪声，提高图像质量，同时保持较好的图像细节，尤其适用低剂量水平时，30%ClearInfinity算法图像质量最好，30%～50%权重下图像可满足诊断要求，推荐临床使用。结果表明ClearInfinity算法是一种具有前景的重建算法，有望在保证图像质量的前提下大幅降低辐射剂量。