基于人工智能质控系统改善胸部CT图像质量

2024-02-26 08:39李梅芳袁才兴周志敏严坤龙林永平李志芳
中国医学影像技术 2024年2期
关键词:浸润性胸部基线

李梅芳,袁才兴,周志敏,严坤龙,林永平,李志芳

(1.莆田学院附属医院医学放射科,福建 莆田 351100;2.厦门理工学院光电与通信工程学院,福建 厦门 361024;3.福建师范大学光电与信息工程学院,福建 福州 350117)

CT、尤其胸部CT已成为应用最广的影像学检查[1],其图像质量受曝光条件[2-3]、重建算法[4-7]、检查前准备及患者配合度[8]等影响,且需尽可能满足低剂量射线原则[9]。目前多在人工层面实施CT图像质量控制,人力成本较高,误差不可避免,且对非检查部位防护有所不足。本研究观察基于卷积神经网络(convolutional neural network, CNN)的人工智能(artificial intelligence, AI)质控系统用于改善胸部CT图像质量的价值。

1 资料与方法

1.1 研究对象 回顾性收集2020年1月1日—2022年11月31日于莆田学院附属医院接受胸部CT检查的415例患者,男232例、女183例,年龄37~80岁、平均(58.8±9.9)岁;共1 726幅CT图像,将其中1 414幅用于CNN训练、312幅用于验证。另前瞻性纳入21例因胸部CT图像质量不合格而拟接受重检患者,男14例、女7例,年龄38~80岁、平均(61.8±18.2)岁。本研究获医院审查委员会批准(202132);患者均知情同意。

1.2 仪器与方法 采用Siemens Somatom Definition Dual Source或GE Lightspeed CT机行胸部扫描,采集肺窗薄层CT图像,管电压120~150 kV,自动管电流(50~800 mA),层厚0.625~1 mm。

1.3 质控系统架构 本研究构建的胸部CT临床质控系统架构包含标注数据、图像预处理及CNN识别共3个流程。见图1。

图1 胸部CT质控系统架构示意图

1.3.1 标注数据 对胸部CT图像进行脱敏处理;根据放射防护评定标准和CT图像质量评定标准确定原始胸部CT图像质量类型;将三维胸部CT分为横断面、矢状面和冠状面多视角图像。

1.3.2 图像预处理 对扫描视野内有无金属异物、体位(受检部位是否处于扫描视野中心、两臂是否上举)、防护(头颈部和腹部)、扫描基线、气管隆嵴膜部特征、双肺下叶血管支气管束特征及肋骨特征7个项目进行检测。主要基于CT横断面和冠状面检测金属异物、判断体位和扫描基线,主要基于CT横断面和矢状面检测气管隆嵴膜部特征、双肺下叶血管支气管特征及肋骨特征,主要基于CT冠状面检测防护。

体位:上举两臂时,两侧各见1个检测框,如某侧臂未上举,则该侧检测框不可见;以CT图像中心点为圆心、50像素为半径画圆,以身体中心点在圆内为其位于扫描视野中心。防护:以检测框框出防护部位,观察头颈部及腹部是否可见检测框。扫描基线:以肺尖上方15 mm为扫描起始基线、肺底下方20 mm为终止基线[10],基于无扫描基线冠状面CT图像分割肺部轮廓,并于存在扫描基线冠状面CT图像中提取基线,将肺部轮廓分割图与提取基线图叠加,判断扫描基线是否准确。气管隆嵴膜部特征:于清晰显示气管隆嵴图像中分割气管隆嵴,根据膜部相对于气管内腔的位置将其形态分为凸、平及凹3种(图2)。双肺下叶血管支气管束特征:观察血管支气管束显示情况,将其分为清晰锐利、模糊、双影及卷毛(图3)。肋骨特征:观察图像显示肋骨情况,分将其为清晰锐利、皱褶、双影及多影。

图2 胸部CT图示气管隆嵴膜部形态特征 A.凸; B.平; C.凹 (上排为CT图,下排为对应分割图)

图3 胸部CT图示方框内双肺下叶血管支气管束特征 A.清晰锐利; B.模糊; C.双影; D.卷毛 (框内数字为AI标签)

1.3.3 CNN识别 采用YOLO算法[11-12]检测扫描视野内金属异物、体位(双臂是否上举)、防护、双肺下叶血管支气管束特征及肋骨特征共5个项目;以U-Net算法[13-14]检测扫描视野内体位(受检部位是否位于扫描视野中心)、扫描基线及气管隆嵴膜部特征共3个项目。

1.4 模型训练及验证 由具有10年以上工作经验的影像科医师对胸部CT图像进行标记,通过随机剪切、缩放、旋转、拉伸、水平及垂直翻转增加训练集样本量;采用CNN YOLO或U-Net模型对输入训练集进行训练,并以之进行验证。

利用上述质控系统对21例拟接受重检者进行检查;以病理结果为金标准,对比采用质控系统前、后CT图像质量。

1.5 评估指标 采用精确率(Precision)、召回率(Recall)、F1分数(F1-Score)评价模型训练结果,以平均精度均值(mean average precision, mAP)和交并比(intersection over union, IOU)分别评价YOLO及U-Net模型的诊断效能[15]。

2 结果

基于AI质控系统行胸部CT的Precision、Recall、F1-Score、mAP及IOU均较佳,见表1。

表1 基于AI胸部CT质控系统用于胸部CT的效能

基于质控系统的重检CT正确诊断全部21例。19例首次CT误诊,包括8例浸润性癌、3例微浸润性癌(图4)、2例原位癌首次均诊断为炎症;其中,首次CT误诊3例微浸润性癌为原位癌、1例微浸润性癌为浸润性癌、1例原位癌为微浸润性癌、1例隐球菌感染为普通炎症;2次CT检查中,此19例显示的肺结节面积、体积及图像质量无明显区别,而显示结节形态、边界、棘状突起、空泡、及充气支气管征迹增粗扭曲血管等差异较大。其余2例浸润性癌中,首次CT漏诊1例、正确诊断1例。

图4 患者男,61岁,右肺下叶微浸润性腺癌 A.首次CT图示右肺下叶后基底段结节灶,边界模糊,诊断为右下肺炎症; B.基于质控系统重检CT图示右肺下叶后基底段混合磨玻璃结节灶,边界清,内见支气管征及增粗扭曲血管,诊断为右肺下叶微浸润腺癌

3 讨论

AI已用于临床分析肺结节、定量评估肺气肿、切除肺结节术前规划及提供胸部结构化报告等,但少见用于胸部CT图像质控的报道。

近年生产的CT设备通常包含自动管电流调节技术等智能化软件,可根据患者具体情况如体质量、身高、体脂率等自动计算,得出最优个体化扫描参数,以利于控制图像质量;但在CT检查前准备(如去除体表金属异物、憋气训练等)及患者放射防护等方面仍停留在人工层面,成本高、效率低。

YOLO算法是目标检测模型,用于检测和定位图像中的物体,并输出该物体边界框坐标和相关类别标签,适用于检测扫描视野内的金属异物、体位及放射防护。U-Net算法为适用于图像分割的神经网络模型,以像素级别进行数据标注,并输出像素级别的分割掩码,可准确显示扫描视野内体位、扫描基线及气管隆嵴膜部特征等[16]。与YOLO算法相比,U-Net算法虽然速度较慢,但分割更为精细。本研究采用CNN,基于AI实行CT图像质控,结果显示其效能较佳,且可准确诊断首次CT漏、误诊病例。

综上所述,基于AI质控系统有助于改善胸部CT图像质量、提高诊断效能。但本研究仅为单中心初步分析,样本量小,有待后续进一步验证。

利益冲突:全体作者声明无利益冲突。

作者贡献:李梅芳查阅文献、研究设计、数据和统计分析、撰写、修改和审阅文章,经费支持;袁才兴、周志敏、严坤龙和林永平图像处理;李志芳修改文章。

猜你喜欢
浸润性胸部基线
适用于MAUV的变基线定位系统
航天技术与甚长基线阵的结合探索
胸部肿瘤放疗后椎体对99Tcm-MDP的摄取表现及分析
浸润性乳腺癌超声及造影表现与P63及Calponin的相关性
一种改进的干涉仪测向基线设计方法
乳腺浸润性微乳头状癌的研究进展
人体胸部
乳腺浸润性导管癌组织β-catenin、cyclinD1、CDK4蛋白表达及临床意义
胸部Castleman病1例报道
技术状态管理——对基线更改的控制