深度学习重建算法对头CT灌注重建参数及图像质量影响探讨

陈钰，王彦玲，苏童，徐敏，闫静，王剑，陆晓平，王沄，李玉梅，金征宇

头CT灌注(computed tomography perfusion,CTP)是一项快速、非侵入性的、定量评估脑缺血状态的技术，可以获得脑血流量(cerebral blood flow,CBF)，脑容量(cerebral blood volume,CBV)及平均通过时间(mean transit time,MTT)等参数。头CTP不仅能发现灌注异常，也可以区分可挽救的缺血和坏死。在CTP图像上识别缺血区域对诊断非常关键[1]。此外，CTP还可以有效评估脑血管狭窄或闭塞患者的侧枝循环及脑血流灌注储备[2]。

除扫描条件，球管电压和电流的影响以外，对CT图像质量有重要影响的因素还包括CT重建算法。在过去的20年间，最常用的重建算法是滤波反投影(filtered back projection,FBP)。FBP具有比较好的图像质量，并且重建速度很快，但是在低辐射剂量的条件下，图像噪声比较大。迭代重建(iterative reconstruction,IR)可以降低图像噪声，但是往往重建时间比较长。自适应迭代剂量减低(three-dimensional adaptive iterative dose reduction,AIDR 3D)属于混合迭代重建(hybrid-IR)，具有重建时间短的优势，因此在临床广泛应用。近年来，随着深度学习算法的不断进步，基于深度学习的的人工智能图像重建系统(advanced intelligent clear-IQ engine，AiCE)得以在放射领域实现临床常规使用，可以进一步降低图像噪声，提升图像质量。多项研究表明，AiCE在胸部、腹部、冠脉等部位，均有降低图像噪声的作用[3-7]。

最近关于头CT平扫的研究表明，AiCE图像噪声低于hybrid-IR约10～20%(P<0.001)[8]。目前国内外尚无AiCE应用于头CTP的文章。因此本研究的目的在于，评价DLR及hybrid-IR的头CTP的图像质量差异，并且探索DLR及hybrid-IR获得的灌注参数是否存在相关性。

材料与方法

1.研究对象

本研究经过伦理委员会审批(伦理审查批件编号：HS-2427)。前瞻性连续搜集2020年9月至2021年3月北京协和医院放射科进行头CT灌注检查的20例患者，入组标准：①怀疑或已有缺血性脑卒中；②年龄18周岁以上。排除标准：对含碘对比剂产生过敏、严重肝肾功能不全、严重失代偿性心功能不全。

2.扫描设备及重建

所有患者均采用佳能医疗系统320排宽体探测器CT(Aquilion ONE Genesis;Canon Medical System,Japan)，检查时取仰卧位，双臂放松置于身体两侧，并嘱患者检查时头部不要移动。头CT灌注采用多期容积扫描，扫描范围从第一颈椎至颅顶，管电压80 kV，固定毫安秒，转速0.5秒/转，准直器320×0.5 mm。采用双筒高压注射器在肘正中静脉以5.0 mL/s流速注入40 mL非离子型对比剂碘帕醇(370 mg/mL)和30 mL盐水。灌注序列包括5组扫描(19期动态扫描)：第一组为平扫(80 kV,200 mA，1期)，第二组为动脉早期(80 kV,150 mA,3期，时间间隔2 s)，第三组为动脉期(80 kV,200 mA,6期，时间间隔2 s),第四组为动脉晚期(80 kV,150 mA,4期，时间间隔2 s),第五组为静脉期(80 kV,150 mA，5期，时间间隔5 s)。图像重建矩阵512×512，重建层厚和层间距均为0.5 mm，扫描完成后重建出一组AIDR 3D (kernel值为FC 41)序列, 并且使用两种AiCE参数(BRAIN LCD及BRAIN CTA)的Standard档位分别重建AiCE LCD及AiCE CTA序列，共获得3组灌注序列的图像。

将AIDR 3D,AiCE LCD,AiCE CTA多期灌注图像自动发送到佳能医疗后处理工作站(Brain perfusion,VitreaWorkstation,Canon Medical System)进行重建。选取大脑中动脉作为流入动脉，上矢状窦作为流出静脉，生成时间密度曲线，并进一步自动生成灌注参数图：CBF，CBV及MTT。选取基底节层面，使用后处理软件的感兴趣区(region of interest,ROI)模版勾画额叶、颞叶及枕叶区的ROI，手动勾画基底节区ROI(图1)。

选取大脑中动脉时间密度曲线增强最大的时间点，提取单期增强图像，做为动脉期峰值图像。

3.辐射剂量

记录设备自动生成的患者头CT灌注的辐射剂量指标，包括容积CT剂量指数(CT dose index volume,CTDIvol)和剂量长度乘积(dose length product,DLP)。计算有效剂量(effective dose,ED)ED=DLP×k，k为权重因子0.0023 (msV/mGy·cm)。

4.图像质量评价

由两名分别具有3年及10年头颈部CTA诊断经验的医师共同进行测量，取一致性结果作为最终结果。

①灌注参数测量：在3种重建序列的CBF，CBV及MTT图上，记录额叶、颞叶、枕叶及基底节区各ROI的CBF，CBV及MTT均值(图1)。

图1 患者,男,39岁,灌注参数测量方法举例。a)基于AiCE LCD灌注序列重建CBV图，在基底节层面使用后处理软件的ROI模版自动勾画额叶、颞叶及枕叶区的ROI，手动勾画基底节区ROI； b) 基于AiCE LCD灌注序列重建CBF图，勾画ROI方法同图a； c) 基于AiCE LCD灌注序列重建MTT图，勾画ROI方法同图a。

②动脉峰值期图像质量分析：在动脉期峰值图像上放置双侧半卵圆中心、双侧颈内动脉虹吸段及脑干ROI，记录平均CT值及标准差(standard deviation,SD)。计算半卵圆中心、颈内动脉虹吸段及脑干的信噪比(signal-to-noise ratio，SNR)，计算颈内动脉虹吸段的对比噪声比(contrast noise ratio,CNR)。

5.统计学分析

采用R software (version 3.6.1,http://www.R-project.org)进行统计分析。计量资料采用“中位数±四分位距”形式表示，比较AIDR 3D,AiCE LCD及AiCE CTA序列的额叶、颞叶、枕叶及基底节供血区CBF、CBV及MTT中位数的差异。比较动脉峰值期图像上半卵圆中心、双侧颈内动脉虹吸段及脑干的CT值、SD值、SNR值，以及颈内动脉虹吸段的CNR值中位数的差异。采用Shapiro-Wilk检验数据是否满足正态分布。采用Friedman test来分析多组之间的差异，采用Wilcoxon signed rank test with Bonferroni correction进行组间两两比较，P<0.05表示有统计学差异。

分别将CBF、CBV及MTT的所有测量位置的ROI合并，采用Spearman相关性检验，计算AIDR 3D与AiCE LCD、AIDR 3D与AiCE CTA的CBF、CBV及MTT中位数之间的相关性，P<0.05为有显著性意义，同时得到相关系数R，R绝对值越大，说明两变量的相关性越密切。

结 果

1.患者一般情况

20名患者，男13例，女7例，年龄(50.8±16.4)岁，身高(1.66±0.07) m，体重(68.4±13.2) kg，BMI (24.59±3.59) kg/m2，CTDIvol 40.12 mGy，DLP 772.3 mGy·cm。有效剂量ED 1.776 mSv。

2.图像质量比较

①灌注参数比较：AIDR 3D,AiCE LCD及AiCE CTA灌注序列在额叶、颞叶、枕叶及基底节区的CBF及CBV中位数比较均有统计学差异(P<0.001)，并且CBF及CBV中位数由大至小的依次为AIDR 3D>AiCE LCD>AiCE CTA，两两比较具有统计学差异(P<0.001)。三个灌注序列在额叶、颞叶、枕叶区的MTT值比较均有统计学差异(P<0.001)，其中AiCE CTA的MTT值高于AIDR 3D(P<0.05)，AiCE LCD的MTT值高于AIDR 3D，但是无统计学差异(P>0.05)。三个灌注序列在基底节区的MTT值比较，无统计学差异(P=0.068，表1)。

表1 AIDR 3D、AiCE LCD及AiCE CTA重建序列的灌注参数比较

AiCE LCD与AIDR 3D的CBF、CBV及MTT值存在显著相关性，所有P<0.001，R值分别为0.75、0.70及0.69。AiCE CTA与AIDR 3D的CBF、CBV及MTT值也存在显著相关性，所有P<0.001，R值分别为0.53、0.52及0.75(图2)。

图2 分别比较AiCE LCD、AiCE CTA重建的灌注参数与AIDR 3D的CBF、CBV及MTT中位数值之间得相关性。a)AiCE LCD与AIDR 3D重建的CBF值存在显著相关性，P<0.001，R=0.75； b) AiCE LCD与AIDR 3D重建的CBV值存在显著相关性，P<0.001，R=0.70； c) AiCE LCD与AIDR 3D重建的MTT值存在显著相关性，P<0.001，R=0.69； d) AiCE CTA与AIDR 3D重建的CBF值存在显著相关性，P<0.001，R=0.53； e) AiCE CTA与AIDR 3D重建的CBV值存在显著相关性，P<0.001，R=0.52； f) AiCE CTA与AIDR 3D重建的MTT值存在显著相关性，P<0.001，R=0.75。

②动脉峰值期的图像质量比较:在半卵圆中心及脑干，AIDR 3D的CT值高于AiCE CTA及AiCE LCD(P<0.001)；AiCE CTA及AiCE LCD的SD值低于AIDR 3D(P<0.001)，SNR值高于AIDR 3D(P<0.001)。AiCE CTA与AiCE LCD的CT值、SD值及SNR的比较没有统计学差异(P>0.05)。

在颈内动脉虹吸段，AiCE CTA与AiCE LCD的CT值均高于AIDR 3D(P<0.05)；AiCE CTA的SD值高于AiCE LCD及 AIDR 3D(P<0.001)， AiCE LCD与 AIDR 3D的SD值无统计学差异(P=1)；AiCE LCD的SNR均高于其他两个序列(P<0.001)，AiCE CTA的CNR均高于其他两个序列(P<0.001,表2，图3)。

表2 AIDR 3D、AiCE LCD及AiCE CTA重建序列动脉峰值期的图像质量比较

图3 患者，男，67岁。AIDR 3D、AiCE LCD及AiCE CTA重建序列的动脉最大峰值期的图像测量举例。a) 基于AIDR 3D序列时间密度曲线，选取动脉峰值点单期图像，在脑干层面放ROI，显示ROI的SD值=12.83HU； b) 基于AiCE CTA序列时间密度曲线，选取动脉峰值点单期图像，将图a中脑干层面ROI复制到图b，显示ROI的SD值=8.676HU； c) 基于AiCE LCD序列时间密度曲线，选取动脉峰值点单期图像，将图a中脑干层面ROI复制到图c，显示ROI的SD值=8.861HU。

讨 论

本研究为首次采用深度学习神经网络CT重建算法进行头CTP重建，并且比较了两种重建参数(BRAIN LCD与BRAIN CTA)对图像质量以及灌注参数的影响。结果表明，两种 AiCE灌注序列的图像质量优于AIDR 3D序列，AiCE序列的灌注参数，与AIDR 3D具有显著相关性，其中AiCE LCD的CBF及CBV与AIDR 3D的相关性更高。

AiCE深度学习神经网络以高质量的全模型迭代重建的数据作为训练目标，使得所有输入图像都能获得高质量的输出图像，其图像空间分辨率高于传统的FBP和迭代重建的图像。Angélique等[9]在对冠脉的研究结果表明，使用AiCE重建算法的冠脉CTA，与AiDR相比，辐射剂量降低40%，SNR及CNR提高约50%。Nakamura等[5]在对腹部的研究表明，低辐射剂量组的AiCE重建算法与AIDR重建算法相比，CNR提高将近一倍，优于标准剂量的AIDR重建算法。Singh等[3]对于胸部及腹部的研究表明，低辐射剂量组前胸壁肌的AiCE重建算法的CNR高于AIDR 3D约80%，肝脏的CNR提高约35%。对体膜的研究表现，AiCE与AIDR 3D相比，可以降低胸腹部图像的噪声强度[10,11]。本研究表明，两种AiCE重建图像与AIDR 3D相比，脑组织(半卵圆中心及脑干)的SD值下降约30%，与文献报道一致。然而，AiCE重建图像在颈内动脉虹吸段的SD值高于AIDR 3D，其原因有待进一步研究。

AiCE在头部具有两种不同的重建算法，包括AiCE BRAIN LCD及AiCE BRAIN CTA，根据厂家算法原理推荐，前者更适用于脑实质的评价，后者更适用于颅内血管的评价。Oostveen等[8]对头CT平扫的研究表明，AiCE BRAIN LCD的SD值低于AIDR 3D约10%～20%(P<0.001)，SNR优于AIDR 3D(P<0.001)。对于AiCE BRAIN CTA重建算法的研究，目前尚无报道。本研究通过头CTP的动脉峰值期的图像质量分析表明，与AIDR 3D重建相比，两种AiCE重建均可提高颈内动脉虹吸段的CT值，并且降低脑组织的CT值及SD值，因此AiCE在颈内动脉虹吸段CNR提高了70%～90%，其中AiCE CTA提高的幅度更为显著。这进一步验证BRAIN CTA的重建算法，更适用于颅内血管。

320排宽体探测器CT一次可以覆盖16 cm的范围，从而实现全脑灌注。以往的研究表明，全脑灌注在脑缺血、脑白质病变及痴呆等病变，均有较好的诊断价值[12,13]。迭代重建结合头CTP可以显著降低图像噪声，在低辐射剂量方案中获得比较好的图像质量[14,15]。本研究表明，AiCE LCD重建获得的CBF、CBV值高于AIDR 3D及AiCE CTA，虽然两种AiCE重建的灌注参数与AIDR 3D均有显著相关性，但是AiCE LCD的CBF、CBV与AIDR 3D的相关性更密切。这表明AiCE LCD重建算法在显示灌注参数方面，优于AiCE CTA。

本研究也存在一些局限性：①纳入的样本量较小，未来将进一步扩大样本量进行研究；②纳入的病例以慢性期脑缺血的表现为主，对急性期脑缺血的研究更有助于挖掘AiCE在CTP应用的更多临床价值，有待进一步研究；③由于本组病例缺少可评估的脑缺血病灶，因此基于脑叶解剖结构在CTP图像上设置的灌注参数的ROI，缺少对病变的评估，未来将进一步搜集有显著病灶的病例进行研究。

结论：深度学习重建算法可以提高头CTP动脉峰值期的图像质量，AiCE BRAIN LCD重建的灌注参数与AIDR 3D重建具有更好的相关性。因此，推荐使用AiCE BRAIN LCD参数进行头灌注参数的重建。