European Radiology:低剂量CT晚期碘增强成像及细胞外体积定量的深度学习模型

心肌间质纤维化是多种缺血性和非缺血性心脏病的潜在病理改变，与左心室重构、室性心律失常以及心力衰竭密切相关。无创性早期检测上述心肌结构变化对于指导最佳治疗和风险分层具有临床意义。

心脏磁共振（CMR）目前是评估延迟强化和纤维化成像的一线影像学方法。其中，延迟钆增强（LGE）是描绘心肌瘢痕的无创性标准方法，而细胞外体积（ECV）定量在诊断弥漫性间质纤维化方面能力更优。然而，心脏磁共振（CMR）由于采集时间长，可能会出现图像质量欠佳的情况。患者通常难以长时间屏气，进而导致屏气不佳以及产生明显的运动伪影。而且其临床应用还受一系列禁忌证限制，如幽闭恐惧症、起搏器植入等。所以，开发一种快速的替代成像方法来辅助心脏磁共振（CMR）进行纤维化评估在临床上很重要。

心脏计算机断层扫描（CT）可作为一种具备亚秒级全心成像能力的替代方式。近期硬件的发展使得心脏 CT 心肌灌注成像（CT - MPI）能够对心肌血流量（MBF）进行全面量化，使 CT 成为 “一站式” 成像的理想方法。此外，先前的初步研究进一步验证了晚期碘增强（LIE）和基于 CT 的细胞外体积（ECV）在纤维化成像方面的价值。

不过，心脏 CT 方法也存在图像噪声高、信噪比（SNR）低的缺点。为改善晚期碘增强（LIE）和细胞外体积（ECV）的图像质量，近期研究采用采集多个图像序列并通过非刚性配准将其平均为一个序列的方法，但这会增加辐射剂量。除上述去噪策略外，在不增加所需辐射剂量的情况下，利用深度学习（DL）图像去噪方法是提高单幅图像序列图像质量的另一种途径。深度学习（DL）图像去噪方法的最新进展表明，与传统去噪方法相比，深度学习（DL）模型在实现同等图像降噪水平时更具通用性且计算效率更高。近期一项心脏 CT 成像研究利用深度神经网络区分噪声和信号，选择性地抑制噪声，显著提高了心脏 CT 血管造影（CCTA）图像质量。

最近，发表在European Radiology 上的一篇文章开发并验证了能够对晚期碘增强（LIE）图像进行去噪以及实现准确细胞外体积（ECV）定量的深度学习（DL）模型。

本研究回顾性纳入了来自两家医院的因胸部不适而接受 CT 心肌灌注+CT 血管造影+晚期碘增强（LIE）检查的的患者。开发并验证了两个深度学习（DL）模型，即残差密集网络（RDN）模型和条件生成对抗网络（cGAN）模型。将 423 名患者随机分为训练组（182 名患者）、调谐组（48 名患者）、内部验证组（92 名患者）和外部验证组（101 名患者）。生成了 LIEsingle（单序列图像）、LIEaveraging（多序列图像平均后的图像）、LIERDN（经残差密集网络（RDN）去噪的单序列图像）以及 LIEGAN（经条件生成对抗网络（cGAN）去噪的单序列图像）这几种图像。对比了这四组 LIE 图像的图像质量评分、信噪比（SNR）以及对比噪声比（CNR）。同时评估了去噪图像对于阳性 LIE 以及细胞外体积（ECV）增加（＞30%）情况的可识别性。

LIEGAN（信噪比（SNR）：13.3±1.9；对比噪声比（CNR）：4.5±1.1）和 LIERDN（信噪比（SNR）：20.5±4.7；对比噪声比（CNR）：7.5±2.3）图像的质量明显优于 LIEsingle（信噪比（SNR）：4.4±0.7；对比噪声比（CNR）：1.6±0.4）图像。在每段水平上，用于晚期碘增强（LIE）评估的 LIERDN 图像的曲线下面积（AUC）相较于 LIEGAN 和 LIEsingle 图像均有显著提高（分别为 p = 0.040 和 p < 0.001）。同时，在每段水平上，ECVRDN 的曲线下面积（AUC）和准确性相较于 ECVGAN 和 ECVsingle 均显著更高（所有情况均为 p < 0.001）。

表 外部验证组LIE和LIE全透明性的可识别性分析

本项研究表明，残差密集网络（RDN）模型生成的去噪晚期碘增强（LIE）图像的信噪比（SNR）和对比噪声比（CNR）明显高于条件生成对抗网络（cGAN）模型生成的图像以及原始图像，这显著提高了视觉分析的可识别性。此外，使用去噪后的单序列图像能够实现准确的CT- ECV定量。

原始出处：

Yarong Yu,Dijia Wu,Ziting Lan,et al.Deep learning model for low-dose CT late iodine enhancement imaging and extracellular volume quantification.DOI:10.1007/s00330-024-11288-0