European Radiology；深度学习能否提高ILD低剂量CT的图像质量:？

间质性肺病（ILD）是一种复杂的疾病种类，具有不同的影像学特征，包括小叶间隔增厚、胸膜下线、支气管血管束增厚、小结节、磨玻璃样变（GGO）、蜂窝状物、肺气肿和支气管扩张。高分辨率CT（HRCT）是ILD整个诊断、疗效评估和随访过程中的首选成像方式。然而，其对肺部结构的完美检测是以高辐射剂量为代价的。研究表明，重复的CT扫描会造成电离辐射的超标，增加许多疾病的风险。

近年来，越来越多的研究集中在如何减少辐射剂量，同时保持图像质量。解决这个问题的主要方向有两个：一个是改进CT硬件以获得更好的检测器效能，另一个是推进图像重建方法。

混合迭代重建（hybrid-IR）是目前常用的重建算法，是基于统计系统建模，同时进行图像重建和降噪。由于其比滤波背投（FBP）有更好的图像质量，比完全基于模型的迭代重建（MBIR）有更短的重建时间，混合迭代重建目前在临床上被广泛使用。然而，混合红外对图像噪声和空间分辨率的影响是非线性的，这导致在处理低剂量CT（LDCT）时，如检测肺部精细结构时，诊断的空间分辨率有限。深度学习重建（DLR）是一种基于深度卷积神经网络（DCNN）的新型图像重建算法。一些临床研究表明，在亚毫西弗特胸腹部CT、CTPA、腹部超高分辨率CT、冠状动脉CTA和CT尿路造影中，DLR可以显著降低图像噪声或辐射剂量，同时保持图像质量。然而据我们所了解，DLR对间质性肺病的研究仍是空白。

近日，发表在European Radiology杂志的一项研究探讨了DLR在ILD中同时保持图像质量并减少辐射剂量的能力，为临床减少患者的检查辐射及心理负担提供了技术支持。

本研究纳入了70名ILD患者，每位患者均接受了HRCT（120 kVp，自动管电流）和LDCT（120 kVp，30 mAs）扫描。HRCT图像采用混合红外（自适应迭代剂量降低三维[AIDR3D]，标准设置）进行重建；LDCT图像采用DLR（高级智能Clear-IQ引擎[AiCE]，肺/骨，温和/标准/强烈设置）进行重建。评估了图像噪音、条纹伪影、整体图像质量以及ILD正常和异常特征的可视化。 

LDCT的平均辐射剂量是HRCT的38%。重建的LDCT图像的客观图像噪声是HRCT的33.6%至111.3%，信噪比（SNR）是后者的0.9至3.1倍（P < 0.001）。在整体图像质量和正常肺部结构的可视化方面，LDCT-AiCE与HRCT没有明显区别，甚至优于HRCT。LDCT-AICE（肺，轻度/标准/强）对磨玻璃样病变的识别率逐渐优于HRCT-AIDR3D（p < 0.05, p < 0.01, p < 0.001），LDCT-AICE（肺，轻度/标准/强；骨，轻度）在结构变形的可视化方面优于HRCT-AIDR3D（p < 0.01, p < 0.01; p < 0.05）。LDCT-AICE（骨，强）在评估支气管扩张方面优于HRCT-AIDR3D（p < 0.05）。LDCT-AICE（骨，轻度/标准/强）在蜂窝状改变的可视化方面明显优于HRCT-AIDR3D（p < 0.05, p < 0.05, p < 0.01）。 

图 正常肺结构的图像质量以5分等级分级。 a 图像质量得分为1（出色的图像质量，结构分界清晰）。b 图像质量得分为2（结构轻微模糊，图像评估不受限制）。c 图像质量得分为 3（界面结构中度模糊，图像评估轻微受限）。d 图像质量得分为4分（严重模糊和结构不清，图像评估不确定）。e 图像质量得分为5（图像质量严重下降，图像评估不可靠）

本研究表明，与HRCT hybrid-IR相比，深度学习重建算法可以显著减少图像噪声、提高图像质量，同时降低ILD患者的辐射剂量。DLR（AiCE，肺部强设置）算法对于有更多低密度表现的ILD患者（如GGO）来说可能是一个更好的选择。DLR（AiCE，骨，轻度/强度设置）算法可能更适合于具有高密度表现的ILD。

原文出处：

Ruijie Zhao,Xin Sui,Ruiyao Qin,et al.Can deep learning improve image quality of low-dose CT: a prospective study in interstitial lung disease.DOI:10.1007/s00330-022-08870-9