European Radiology：如何通过自适应统计迭代重建提高超低剂量CT图像质量和肺结节的检测？

肺癌是中国癌症相关死亡的主要原因，带来了巨大的社会负担。NELSON 试验的最新发现表明，通过 CT 筛查，吸烟者的肺癌死亡率可降低 24%。然而，反复的随访低剂量计算机断层扫描（LDCT）胸部检查可能会增加人们对辐射诱发肿瘤的担忧，尤其是在年轻人中。因此，在肺癌筛查中尽量减少辐射暴露至关重要。

随着现代迭代重建（IR）技术（如自适应统计迭代重建 - V（ASiR - V））的广泛应用，超低剂量计算机断层扫描（ULDCT）已被提议用于肺癌筛查，其有效剂量可＜0.2mSv，与胸部 X 光相当。不过，在如此极低的剂量下，通过迭代重建（IR）技术重建的超低剂量计算机断层扫描（ULDCT），其细微结构的清晰度和空间分辨率不足以满足肺癌筛查的需求。

作为一种更先进的图像重建技术，深度学习图像重建（DLIR）算法已被用于提高超低剂量计算机断层扫描（ULDCT）的图像质量，能提供图像噪声更低、空间分辨率更高、图像质量更好、结节测量精度更高以及肺结节检出率更高的图像。深度学习图像重建（DLIR）相对于迭代重建（IR）的优势使其成为超低剂量计算机断层扫描（ULDCT）图像重建的未来发展方向。然而，深度学习图像重建（DLIR）重建对超低剂量计算机断层扫描（ULDCT）上不同直径各类肺结节检测的影响，仍有待进一步评估。此外，大多数商业深度学习图像重建（DLIR）算法基于原始投影域数据，依赖高端 CT 扫描仪，这些设备在常规医疗检查中使用频率较低，且基层医院难以负担。

随着深度学习技术的进步，利用图像域重建算法进行去噪和提高图像质量具有很大潜力。图像域重建算法使用医学数字成像和通信格式的高剂量和低剂量配对图像进行训练，这种格式通用性强，无需原始CT 数据。据我们所知，目前尚无研究对经基于深度学习图像重建（DLIR）的图像域后处理的自适应统计迭代重建- V（ASiR - V）超低剂量计算机断层扫描（ULDCT）与低剂量计算机断层扫描（LDCT）在肺结节检测方面进行比较。

最近，发表在European Radiology 上的一篇文章评估了经基于深度学习图像重建（DLIR）的图像域后处理的自适应统计迭代重建-V（ASiR - V）超低剂量计算机断层扫描（ULDCT），与低剂量计算机断层扫描（LDCT）以及未经深度学习图像重建（DLIR）处理的超低剂量计算机断层扫描（ULDCT）相比，在图像质量和肺结节可检测性方面的表现。

研究共纳入210名接受肺癌筛查的患者，分别进行低剂量计算机断层扫描（LDCT）（平均±标准差，0.81±0.28mSv）和超低剂量计算机断层扫描（ULDCT）（0.17±0.03mSv）扫描。超低剂量计算机断层扫描（ULDCT）图像采用自适应统计迭代重建- V（ASiR - V）进行重建（ULDCT - ASiR - V），并使用深度学习图像重建（DLIR）进行后处理（ULDCT - DLIR）。对三种 CT 图像的质量进行分析。由三名放射科医生在所有 CT 图像上检测并测量肺结节，以低剂量计算机断层扫描（LDCT）的结果作为参考。使用五点李克特量表评估结节的显著性，随后进行进一步的统计分析。

低剂量计算机断层扫描（LDCT）共检测出 463 个结节。与自适应统计迭代重建 - V（ASiR - V）超低剂量计算机断层扫描（ULDCT - ASiR - V）相比，基于深度学习图像重建（DLIR）的超低剂量计算机断层扫描（ULDCT - DLIR）图像噪声降低了 60%，且低于低剂量计算机断层扫描（LDCT）（p <0.001）。基于深度学习图像重建（DLIR）的超低剂量计算机断层扫描（ULDCT - DLIR）的主观图像质量评分（4.4 [4.1, 4.6]）也高于自适应统计迭代重建 - V（ASiR - V）超低剂量计算机断层扫描（ULDCT - ASiR - V）（3.6 [3.1, 3.9]）（p < 0.001）。自适应统计迭代重建- V（ASiR - V）超低剂量计算机断层扫描（ULDCT - ASiR - V）和基于深度学习图像重建（DLIR）的超低剂量计算机断层扫描（ULDCT - DLIR）的总体结节检测率分别为 82.1%（380/463）和 87.0%（403/463）（p < 0.001）。直径大于 1mm 的结节，自适应统计迭代重建 - V（ASiR - V）超低剂量计算机断层扫描（ULDCT - ASiR - V）与低剂量计算机断层扫描（LDCT）的直径差值百分比为 2.9%，基于深度学习图像重建（DLIR）的超低剂量计算机断层扫描（ULDCT - DLIR）与低剂量计算机断层扫描（LDCT）的直径差值百分比为 0.5%（p = 0.009）。基于深度学习图像重建（DLIR）的超低剂量计算机断层扫描（ULDCT - DLIR）的结节成像清晰度评分（4.0±0.68）显著高于自适应统计迭代重建 - V（ASiR - V）超低剂量计算机断层扫描（ULDCT - ASiR - V）（3.2±0.50）（p < 0.001）。

表 ULDCT-ASiR-V、ULDCT-DLIR及LDCT对肺结节的检测

本项研究表明，基于深度学习图像重建（DLIR）的图像域可提高自适应统计迭代重建- V（ASiR - V）在超低剂量计算机断层扫描（ULDCT）上的图像质量、结节检测率、结节成像清晰度以及结节测量精度。

原文出处：

Kai Ye,Libo Xu,Boyang Pan,et al.Deep learning-based image domain reconstruction enhances image quality and pulmonary nodule detection in ultralow-dose CT with adaptive statistical iterative reconstruction-V.DOI:10.1007/s00330-024-11317-y