European Radiology：深度学习重建在标准剂量和减剂量腹部CT肝脏病变检测中的应用

在腹部 CT 成像中，肝脏病变的检测和特征描述可能是一项具有挑战性的任务，这在肿瘤学的临床治疗中有着相当大的影响。随着辐射剂量水平的降低，这种低对比度的任务变得愈发困难，这主要是因为图像噪声的增加。因此，在合适的临床环境中，相对较高的剂量水平可能是合理的，以确保图像具有足够的诊断质量。然而，由于辐射存在长期相关风险，人们努力调整 CT 检查方案，以在保证有足够的图像质量来识别相关病变的同时，将辐射剂量保持在合理可行的尽可能低的水平（即 “合理尽可能低” 原则，ALARA 原则）。因此，在临床实践中，人们渴望找到既能降低辐射剂量又能维持可接受的诊断图像质量的方法。

滤波反投影（FBP）以前是主要的 CT 图像重建技术，这主要是因为其计算效率高。在过去的几十年里，迭代重建（IR）算法越来越多地被应用于减少图像噪声。然而，尽管迭代重建在减少图像噪声方面很有效，但它也会改变图像噪声的纹理，据报道，与滤波反投影相比，使用迭代重建的图像看起来更 “斑驳” 或更 “生硬”，并且可能会降低低对比度任务的性能。

在过去的几年里，深度学习重建（DLR）在临床实践中受到了关注。这些特定厂商的算法（如通用电气医疗的 TrueFidelity、佳能医疗系统的 AiCE 和飞利浦医疗保健的 Precise Image）通过使用高剂量和低剂量的数据集进行训练，努力通过减少低剂量成像和肥胖个体扫描等以往具有挑战性的领域中的图像噪声来提高图像质量。然而，尽管前景广阔，但新的重建算法必须经过严格的评估，以确保在追求降低剂量的过程中性能不会受到影响。评估深度学习重建算法 TrueFidelity（通用电气医疗）的体模研究表明，在不同剂量水平下，该算法与迭代重建相比，在不损害图像纹理的情况下具有强大的降噪能力，并且提高了低对比度的可检测性。尽管如此，虽然临床研究显示主观图像质量有所提高，但在低对比度病变检测、病变特征描述和放射科医生的信心方面，关于这是否能转化为显著的降低剂量的潜力，研究结果存在矛盾。

最近，发表在European Radiology 上的一篇文章探究在标准剂量和低剂量 CT 检查中，与迭代重建（IR）相比，深度学习重建在检测肝脏病变方面的诊断性能。

研究前瞻性纳入了 2020 年 10 月至 2022 年 3 月期间常规随访中已知患有胃肠道和胰腺腺癌肝转移的患者。在同一次注射造影剂的过程中，患者接受了标准剂量的 CT 检查以及另外两次低剂量扫描，每次扫描所得图像分别采用迭代重建和高强度深度学习重建算法进行重建。两名放射科医生对图像进行评估以判断是否存在肝脏病变，第三名医生确定了参考标准。使用麦克尼马尔检验（McNemar's test）和混合效应逻辑回归对诊断性能进行了比较。

对 44 名患者（平均年龄 66 岁 ±11 岁 [标准差]，28 名男性）进行了评估，纳入了 348 个直径≤20 毫米的肝脏病变（297 个转移灶，51 个良性病变；平均大小 9.1±4.3 毫米）。平均容积 CT 剂量指数分别为 14.2 毫戈瑞、7.8 毫戈瑞和 5.1 毫戈瑞。在相同剂量水平下，不同算法之间在病变检测方面未观察到显著差异。尽管深度学习重建具有去噪能力，但对于 233 个直径≤10 毫米的病变，在较低剂量水平下检测效果会变差。在标准剂量迭代重建下检测到 185 个（79.4%；95% 置信区间：73.5-84.3），而在中等剂量深度学习重建下检测到 128 个（54.9%；95% 置信区间：48.3-61.4；P < 0.001），在低剂量深度学习重建下检测到 105 个（45.1%；95% 置信区间：38.6-51.7；P < 0.001）。

表 标准剂量和减剂量CT红外和DLR定量图像质量参数

本项研究表明，不同算法在检测肝脏病变方面的诊断性能相当。当检测较小的病变很重要时，深度学习重建并不能实现大幅降低辐射剂量的目的。

原文出处：

Tormund H Njølstad,Kristin Jensen,Hilde K Andersen,et al.Deep learning reconstruction for detection of liver lesions at standard-dose and reduced-dose abdominal CT.DOI:10.1007/s00330-025-11596-z