大矩阵联合不同重建方式对人工智能检出肺结节的影响

王帅，李剑，李笑石，吴志斌，姜文龙，田健

空军军医大学西京医院 放射科，陕西 西安 710032

引言

肺癌是近年来发病率及死亡率增长最快、对人类生命威胁最大的肿瘤之一[1]。肺癌的早期表现为肺结节，准确检测并对其分析处理极其关键，目前低剂量胸部薄层CT是诊断肺结节的首选方法[2-3]，随着低剂量薄层CT的不断发展，对肺结节检出的敏感度和特异性明显提高。但临床上对肺结节的诊断仍面临挑战，主要包括：人工诊断效率低，诊断耗时，医生容易出现视觉疲劳，低年资诊断医师可能因为经验不足或窗宽、窗位设置不准确造成漏诊[4-5]。人工智能辅助诊断系统主要利用各类机器的学习算法筛选出结节疑似区域并进行定位，在各种图像上标记和编号并提供结节的面积、体积、CT值定量分析，局部三维重建图更是可以多方位显示目标病灶与周围组织的位置关系，缩短诊断医生的诊断时间，大大提高工作效率[6-8]。但是计算机辅助诊断系统也存在一些问题，主要是假阳性偏高或不稳定，图像质量差或者图像噪声标准差（Standard Deviation，SD）大，其均可能导致阳性预测值降低，目前AI系统多采用常规512×512矩阵图像分析、常规滤波反投影（Filter Back Projection，FBP）或SAFIRE部分迭代重建[9-12]，本文旨在探讨1024×1024大矩阵情况下，iDose4和全模型迭代重建（Iterative Model Reconstruction，IMR）图像对AI检测诊断肺结节的影响。

1 资料与方法

1.1 一般资料

将2019年6月至2020年11月临床怀疑肺结节要求行胸部薄层CT的70名患者纳入本次研究，排除标准：① 不能配合呼吸训练患者；② 合并其他肺部疾病如严重肺气肿、急性肺部感染、肺结核等；③ 胸部有手术史；④ 图像质量差不能导入计算机辅助诊断系统。经筛选后共60例患者纳入本次研究，男32例，女28例，年龄35～78岁，平均年龄（53.9±19.2）岁，本次研究通过医院伦理委员会批准免知情同意书，对于患者隐私信息均进行脱敏处理。

1.2 仪器与方法

所有患者均采用Philips公司的Philips Brilliance 256 iCT螺旋扫描仪进行胸部薄层扫描，患者取仰卧位，扫描范围由胸廓入口至膈肌上缘，为避免扫描过程中吸气憋气不足问题，扫描范围采用足向头位扫描，扫描参数：管电压120 kV，管电流为自动管电流调制技术（Dose Right，Philips Healthcare），准直128×0.625 mm，螺距0.798。扫描结束后按照重建方式的不同对60例患者分别进行常规矩阵512×512 FBP重建，大矩阵1024×1024 iDose4和大矩阵1024×1024 IMR全模型迭代重建，重建参数：重建层厚为1 mm、重建间隔为0.8 mm、iDose4重建Level为1、IMR重建Level为3。重建结束后将三组数据分别传入人工智能辅助诊断系统进行肺结节分析诊断并标记肺结节密度、大小以及位置信息。AI诊断系统由推想公司提供（InferRead CT Lung Research，Infervision，北京，中国）。

1.3 金标准制定

由3名主治以上职称的放射科医生在常规矩阵512×512 FBP组图像中参考AI检出结果前提下，结合横断面图像和多平面重建图像明确病灶是否为真实的结节，当两位医生意见不一致时，由一名职称在副高以上的医生进行评价，以3人的一致性意见作为最终的金标准，结节按照大小分为≤4 mm和>4 mm；按照密度分为实性结节、亚实性结节、钙化结节，亚实性结节包含部分实性结节和纯磨玻璃结节；按照位置分为胸膜下结节、血管旁结节、其他位置结节[7]。

1.4 客观图像评价

选取气管分叉层面和同侧竖脊肌分别放置ROI，记录平均CT值以及标准差，采用公式(1)～(4)分别计算平均信噪比（Signal to Noise Ratio，SNR）与对比噪声比（Contrast to Noise Ratio，CNR）[13]，计算使用CAD识别不同大小肺结节检出率/敏感度、假阳性率。

1.5 统计学分析

采用SPSS 19.0统计学软件进行统计学分析，剂量资料用（±s）表示，不同重建算法下使用AI对结节检出率的比较采用χ2检验，剂量资料两组间的比较符合正态分布的采用配对样本t检验，不符合正态分布的采用Wicoxon秩和检验，P<0.05为有统计学差异。

2 结果

2.1 不同重建方式下图像质量的对比

金标准共筛查出635个结节，其中实性结节232个、亚实性结节289个、磨玻璃结节114个；≤4 mm的结节共383个，>4 mm的结节共252个；血管旁结节329个，胸膜下结节123个，其他位置结节183个。AI在FBP、大矩阵iDose4、大矩阵IMR三种重建算法下识别肺结节个数、真阳性数、假阳性率如表1所示，可以看出iDose4迭代重建和IMR迭代重建AI识别肺结节真阳性数和假阳性率无显著性差异，iDose4组AI识别肺结节真阳性个数为605个，假阳性率为5.6%，IMR组AI识别肺结节真阳性个数为629个，假阳性率为4.3%。但两组重建方式图像对比FBP重建图像AI识别肺结节真阳性数出现统计学差异，FBP组AI识别肺结节真阳性个数为528，假阳性率为22.1%。SD中IMR迭代重建组小于iDose4组和FBP常规重建组。SNR、CNR依照FBP、iDose4、IMR顺序呈上升趋势，三组重建方式两两比较的差异性有统计学意义。敏感度随着噪声的降低而提高，假阳性率随着图像质量提高而逐渐降低，敏感度IMR迭代重建组与iDose4迭代重建组比较无统计学差异，但是与常规FBP比较差异有统计学意义（P<0.05），敏感度提升16.9%。

表1 不同重建算法下AI识别肺结节总数以及敏感度

2.2 不同重建方式下CAD对不同性质、不同大小结节的检测能效

三种重建技术对检测实性结节、亚实性结节敏感度没有显著性差异，对于部分实性结节IMR迭代重建组敏感度与iDose4重建组相当，且都大于常规矩阵FBP重建组，磨玻璃结节同样出现此规律。对于不同大小的肺结节，无论是≤4 mm还是>4 mm的肺结节，三组重建方案的差异均没有统计学意义。两例患者检测图像如图1～2所示。

表2 三种重建技术对不同大小、不同性质肺结节的敏感度[n(%)]

图1 经金标准检出左肺下叶磨玻璃结节

图2 经金标准检测右肺下叶后基底段磨玻璃结节

3 讨论

随着AI的兴起，其便携性和高效性给医疗行业带来新的前景，AI已在糖尿病视网膜病变、乳腺肿瘤等诊断以及抗癌药物研发等领域有很好的表现，近年来在肺结节检出中也有广泛应用。胸部CT扫描检查的普及以及CT检查层面变薄，使CT扫描产生的图像剧增，单个患者就有几百幅图像，放射科医生面对海量的图像极易产生视觉疲劳和身心疲惫，造成漏诊或误诊，据报道，小结节的漏诊率达40%[14]。肺结节计算机辅助诊断技术应运而生，作为辅助诊断的工具，CAD系统既能帮助放射科医生有效降低工作量、减少漏诊率，又能提高诊断的准确性和客观一致性[15]。目前关于CAD识别诊断肺结节多集中于不同重建函数以及常规FBP重建下CAD的检测能效[16]，关于大矩阵iDose4以及IMR对于肺结节的检出以及图像质量的影响鲜有报道。IMR是一种结合了三维微平板探测器和Knowledgebased多模型重建算法，具有强大的降噪功能[17-18]，而传统的iDose4迭代重建仍是以常规FBP图像进行迭代重建，相比于常规FBP重建有一定进步，但相较于IMR仍有不少差距，相较于传统512×512常规FBP重建，大矩阵更能提高图像空间分辨率，结合IMR，降低SD，图像敏感度随之增加，使得难以检测和区别的肺结节特别是磨玻璃小结节，更加容易被发现。

回顾本次研究FBP、iDose4、IMR三种迭代方式技术水平依次提高，图像SNR、CNR按照此顺序不断提升，虽然CAD对不同性质、不同大小结节敏感度轻微变化，但结论与金标准相一致，但是对于磨玻璃结节，检出率随着SD降低而显著提高。笔者分析这可能由于肺结节常见的假阳性包括增粗的小血管或支气管束断面、局部膨胀不全、慢性炎性渗出，以上常见原因均可以在图像空间分辨率提高情况下得以改善，本次实验采用大矩阵联合高级IMR迭代重建，图像分辨率升高，空间分别率提升，使得CAD对于小的磨玻璃结节分辨率提升。

本研究的局限性：① 病例数目较少，结节数量不够多，尤其是对部分磨玻璃结节，因此需要大数据样本进行进一步分析；② 本次实验未对常规FBP大矩阵情况下进行CAD分析，以此来证明大矩阵能提高图像分辨率，后续需要另设计实验以此来证明；③ 对于本次实验设计除了重建方式不同以外，其余扫描参数均相同，既然IMR技术可以大幅度提高图像质量，降低SD，作者未降低kV、mAs等扫描参数以探讨低剂量情况下CAD对肺结节图像质量影响。

4 结论

综上所述，在AI领域肺结节诊断技术作为一个新兴手段，有着诊断快、准确率高的特点[19-20]，患者在进行胸部薄层CT螺旋扫描时，为了提高图像空间分辨率，增加CAD识别图像敏感性，可以使用1024×1024大矩阵联合IMR进行图像重建。