編者按：今年Jo?l Greffier博士等在European Radiology (IF 4.1)上發表了題為《Image?quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study》的文章，通過與混合迭代重建算法(IR)對比，評價一種新型基于深度學習的圖像重建算法(DLIR，GE TrueFidelity?)對圖像質量和劑量降低的影響。對于了解基于深度學習(DLIR)的GE的最新圖像重建算法(TrueFidelity?)的原理，性能(圖像質量，降噪能力，空間分辨率等)有很大的幫助，對于今后利用這個圖像重建新技術來進行臨床應用和臨床研究有很好的指導意義。在這里我們特別邀請到王銘君博士對這篇文章進行了詳細的解讀，王銘君博士還對這次體模研究用到的各種圖像評價參數進行了詳細說明(Appendix)。

01

—

摘要(Abstracts)

目的：通過與混合迭代重建算法(IR)對比，評價一種新型基于深度學習的圖像重建算法(DLIR)對圖像質量和劑量降低的影響。

方法：使用7個劑量水平(CTDIvol: 15/10/7.5/5/2.5/1/0.5 mGy) ，對用來評估圖像質量的標準體模進行數據采集。利用濾波反投影(FBP)、兩個等級的IR(ASiR-V50% (AV50) ，ASiR-V100%(AV100))、以及DLIR的三個等級(TrueFidelity? 低，中，高) 對原始數據進行重建。計算噪聲功率譜(NPS)和基于任務的傳遞函數(TTF)， 并模擬肝臟內的大腫塊、小鈣化灶和小而精細且低對比度的病灶來檢測能力指數(d')。

結果：AV50的NPS峰值高于所有DLIR等級，AV100的NPS峰值只高于DLIR-H。DLIR的NPS平均空間頻率高于IR的結果。所有DLIR等級的TTF_50%結果均高于IR。所有DLIR等級的d′高于AV50的結果，然而DLIR-L和DLIR-M的d′低于AV100的結果。對于低對比度病灶，DLIR-H的d′高于AV100 (10 ± 4%)，對于其他模擬病灶，兩者d′結果接近。

結論：新型DLIR重建算法可以降低噪聲同時提高圖像空間分辨率和檢測能力，不會改變噪聲紋理。對比IR重建的圖片，通過DLIR可以有效進行劑量優化。

02

—

關鍵點(Key points)

• 本研究評估了新型深度學習圖像重建算法(DLIR)對比混合迭代重建算法(IR)對圖像質量和輻射劑量的影響。

• 新型DLIR算法降低噪聲，提高空間分辨率和檢測能力，不會出現IR重建算法導致的紋理變化情況。

• 與IR重建算法相比，DLIR可以給劑量優化提供更多可能性。

關鍵詞：多層CT探測器；圖像增強；圖像重建；深度學習

03

—

背景和目的

CT檢查中病人輻射劑量問題廣受關注，因此在每次CT參數設置對劑量優化非常必要。許多工具開發出來用以優化劑量，如管電流調節技術(TCM)或迭代重建算法(IR)。TCM將管電流作為患者衰減的函數，來提供更均勻的劑量分布，從而提高圖像質量(IQ)和減少偽影。IR算法在相同劑量水平下降低了圖像噪聲，因此可以在保持圖像質量指數的同時降低劑量。近年來出現了幾代IR算法，包括統計IR算法和完全/混合/高級基于模型的IR(MBIR)算法。多個臨床研究顯示IR算法可以降低劑量。但是，IR算法的非線性和非穩定性使得空間分辨率依賴于對比度和劑量。此外，IR算法會改變圖像的噪聲幅度和紋理特征，這使得給人的視覺印象不同于FBP圖像的外觀和視覺感覺。經常有報道反應IR圖像的噪聲紋理看起來“平滑”、“有斑點”、“塑料感”，或者“不自然”。使用這些IR算法獲得的圖像質量可能妨礙對圖像的理解，限制了高權重迭代的使用，從而限制了其在臨床應用中減少劑量的潛力。

如今，人工智能的應用增多，并在包括醫學成像在內的各個科學領域展示了它的潛力。在機器學習技術中，深度學習最近顯示出了巨大的潛力，可以在不改變噪聲紋理或影響解剖和病理結構的情況下，在抑制噪聲的同時重建CT圖像。因此，一些CT廠商開發了新一代基于深度學習的CT圖像重建技術。GE Healthcare和Canon?Medical system開發的深度學習圖像重建算法(Deep Learning Image Reconstruction, DLIR)使用深度神經網絡(Deep Neural Network, DNN)，該神經網絡分別使用高質量濾波反投影FBP?(TrueFidelity?，GEHealthcare)和MBIR?(Advanced?intelligent Clear-IQ Engine [AiCE]，佳能醫療系統)?數據集的訓練，以學習如何區分噪音和信號。據我們所知，還沒有研究進行DLIR算法與同一制造商的IR算法的比較，研究對劑量減少和圖像質量的影響。

我們研究的目的是評估GE Healthcare CT系統中DLIR算法(TrueFidelity?)與混合IR算法(ASiR-V)對圖像質量和劑量減少潛力的影響。為了實現這一目標，我們進行了基于任務的圖像質量評估。

04

—

材料與方法

1)?CT系統和圖像重建算法

本研究在法國圣德尼的諾德心臟病研究中心(Centre Cardiologique du Nord)進行了Revolution CT (GE Healthcare)的圖像采集，該CT同時裝配了混合IR算法(ASiR-V)和DLIR算法(TrueFidelity?)，GE的DLIR提供了三個強度等級(低、中、高)，可以進行即時的快速本地的DLIR的圖像重建。

混合IR算法ASiR-V使用了概率統計方法，引入統計損失函數，通過X射線物理機理以及CT光學模型來降低噪聲和偽影。如之前所說，該算法可以降低噪聲，從而降低劑量，但是同時改變了圖像紋理。因此開發DLIR TrueFidelity?來解決這一問題，同時提高圖像質量。

基于深度學習(DLIR)的GE的TrueFidelity?使用FBP圖像作為訓練集，融合了近幾十年使用FBP積累的技術和臨床知識。當在接近理想條件下使用時，例如高劑量、完整的采樣軌跡和高分辨率圖像矩陣，FBP可以產生理想的圖像質量，得到可靠的診斷信息。

GE Healthcare的TrueFidelity?采用的DNN包含了上百萬個參數來表示高質量圖像的特征，即使低劑量或非理想的掃描條件下的CT數據也可以進行高質量圖像重建。GE的科學家對這些DNN參數進行訓練，輸入低劑量投影數據和圖像數據，并將輸出圖像與使用FBP算法得到的真實圖像(同一數據的高劑量圖像)進行比較。同時科學家使用新的體模和臨床圖像來廣泛驗證算法的魯棒性。完成監督訓練和驗證步驟后，確定下來的系數被應用到基于DNN模型的DLIR引擎(TrueFidelity?)中，該引擎負責根據輸入的投影數據生成重建圖像。

在實際臨床掃描中，CT掃描儀得到的原始數據只需要通過DLIR引擎一次，即可在極快重建時間內完成圖像重建，并產生TrueFidelity真理圖像。

因為是以高劑量高質量的FBP圖像作為訓練目標，所以無論是高對比度診斷目標還是低對比度診斷目標，理論上TrueFidelity真理圖像，都具有出色的圖像質量和真實的噪聲紋理(也不容易產生IR特有的蠟像樣偽影)和快速的重建速度，可應用于各項臨床CT檢查(包括頭部，全身，心血管，以及各年齡段患者的檢查圖像)，提升診斷醫生的讀片信心。

2)?數據獲取

將直徑為20厘米的ACR?QA體模(Gammex 464)置于體環內(直徑33厘米，長度24厘米)進行掃描，測量其物理指標(圖1)。所有采集均使用120 kVp管電壓。通過設置管電流(mA)獲得7個容積CT劑量指數(CTDIvol 15, 10, 7.5, 5, 2.5, 1, 0.5mGy)。其它采集參數為螺距0.998、光束準直64×0.625 mm、旋轉時間0.6s。原始數據采用FBP、ASiR-V?50% (AV50)和ASiR-V 100% (AV100)，以及TrueFidelity? ?DLIR(低、中、高)三個等級進行重建。圖像重建采用“標準”重建核，層厚為1.25 mm(增量為1.25mm)，FOV為250 mm。

圖1. a?研究中使用的體模;?b?噪聲功率譜(NPS)評估的感興趣區域(ROIs); ?c?骨和丙烯酸插入物，計算基于任務的轉移函數(TTF)的ROIs

3)?基于任務的圖像質量評估

本研究采用imQuest軟件(Duke)進行圖像質量評估，使用噪聲功率譜(NPS)對圖像噪聲紋理和大小進行評估; 使用基于任務的傳遞函數(TTF)對空間分辨率進行評估，空間分辨率是劑量水平和對比度的函數; 同時使用檢測能力指數(d′)評估放射科醫生檢測某些病變的能力。

根據Samei等人的定義，通過三個任務函數來表示大小特征。假定對比度為預成像120HU，直徑25mm的圓形信號來代表大特征，使用對比度500 HU，直徑1.5 mm的圓形信號來代表小特征，第三個“精細”任務函數則定義為對比度為預成像10 HU、直徑10mm的圓形信號。

丙烯酸插入物的TTF結果用于模擬大特征和精細特征，而骨插入物的TTF結果用于模擬小特征。大體積的肺或肝臟用大特征進行建模檢測，鈣化或高對比度組織邊界檢測使用小特征進行建模檢測，肝臟低對比度病灶則使用精細特征進行建模檢測。

用于獲得d '的解釋條件包括1.5倍的變焦系數、450毫米觀察距離和500毫米FOV。

05

—

結果

1)?噪聲功率譜

表1為NPS峰值和平均空間頻率數據，圖2為4個劑量水平下所有重建算法的NPS曲線。隨著劑量的增加，IR的百分比升高，DLIR水平升高，NPS峰值會出現降低 (表1)。AV50組NPS峰值高于所有DLIR重建等級。AV100組的NPS峰值僅高于DLIR-H組，而低于DLIR-L組，也低于DLIR-M組(-11±15%)。

隨著劑量的降低，NPS的空間平均頻率向較低頻率移動(圖2)。對于所有劑量水平，FBP的NPS的空間平均頻率最高(0.20 - 0.30 mm^-1)。AV100(0.12 - 0.17 mm^-1)的NPS平均空間頻率低于AV50(0.17 - 0.26 mm^-1)。NPS平均空間頻率隨DLIR水平的升高而降低。

DLIR組的NPS平均空間頻率高于IR組。與AV50相比，DLIR-L的NPS平均空間頻率平均高出 13±3％，DLIR-M組高8±2%，DLIR-H組高1±2%。DLIR與AV100的差異更大，分別為72±7%、64±8%和53±9%。

表1. 不同重建類型和劑量水平的噪聲功率譜峰值和平均空間頻率

圖2 ?濾波反投影(FBP)、ASiR-V 50% (AV50)、ASiR-V?100% (AV100)、三個等級的深度學習圖像重建(DLIR)算法在四種劑量水平(0.5、2.5、5、10 mGy)下的噪聲功率譜(NPS)曲線

2)?基于任務的傳遞函數

圖3顯示了丙烯酸和骨插入物在所有重建類型和三種劑量水平下的TTF曲線。表2顯示了兩個插入的TTF_50%值。TTF值隨劑量下降而下降，尤其是在最低劑量水平下更加明顯。對于所有CT掃描方案和插入物，TTF_50%值隨IR百分比的增加而降低，但TTF_50%值不受DLIR水平變化的影響。

表2? 骨和丙烯酸樹脂插入物在所有重建類型和劑量水平的 TTF_50%結果

圖3 使用過濾反投影(FBP)、ASiR-V?50% (AV50)和ASiR-V 100% (AV100)以及深度學習圖像重建(DLIR)算法，在3個劑量水平(0.5、2.5和10 mGy)下丙烯酸和骨插入物的基于任務的傳遞函數(TTF)曲線

對于骨插入物，在FBP和AV50之間發現相似的TTF值(0±1%)。AV100組TTF_50%低于FBP組(- 8±3%)。15 ~2.5 mGy時，所有等級DLIR(低、中、高)重建的TTF_50%高于IR，1 ~ 0.5 mGy時則相反。DLIR組TTF_50%較AV50組平均高3±11%，較AV100組平均高11±11%。

對于丙烯酸樹脂插入物，IR的TTF值低于FBP。AV50組TTF值高于AV100組(- 20±4%)。DLIR組TTF值高于AV50組(29±14%)和AV100組(61±18%)。

3)?檢測能力指數

圖4描述了FBP、IR和DLIR得到的d '值。d '隨劑量增加而增加，且FBP組總低于IR或DLIR組。

在所有臨床任務中，AV100組的d '值高于AV50組。小特征的FBP與IR、AV50與AV100之間的差異大于其他兩種特征。DLIR組的d '值高于AV50組，并且在所有臨床任務中d '值都隨DLIR水平的升高而升高。DLIR-L和DLIR-M的d '值低于AV100，DLIR-H組的d '值高于AV100組(10±4%)。對于其他臨床任務，DLIR-H的d '值與AV100相似。

圖4?過濾反投影(FBP)，ASiR-V 50%?(AV50)和ASiR-V?100%?(AV100)，以及深度學習圖像重建(DLIR)的三個等級對小特征 (直徑1.5毫米，500HU對比度)，大特征(直徑25毫米，120HU對比度)，和精細特征(10毫米直徑，10HU對比度)在不同劑量下的的檢測能力指數(d′)

4)?d′增加潛力和劑量降低潛力

為了評估DLIR與AV50對d '的潛在增加，比較CTDI_vol為10mGy時的d '值。表3顯示，所有檢測特征的可檢測性都隨著DLIR水平的增加而增加。

表3 與ASiR-V50%相比，DLIR可提高圖像質量和減少潛在劑量。“’d '值增加”對應于常規劑量CTDI_vol10 mGy，“劑量減少”對應10 mGy時ASiR-V 50%的‘d '值

為了評估潛在的劑量減少，我們比較了DLIR在10mGy時達到與AV50相同的‘d‘值時對應的CTDI_vol。結果表明DLIR有可能降低所有檢測特征的CTDI_vol。小特征和細微特征的潛在劑量減少略高于大特征。

5)?圖像質量視覺評估

圖5描述了在每個劑量水平下使用丙烯酸樹脂插入物使用FBP、IR和DLIR算法獲得的圖像質量(IQ)。

對于所有的算法，圖像噪聲隨著劑量的減少而增加，噪聲降低了空間分辨率(視覺邊界檢測)和對比度。插入物的可檢測性在0.5毫戈瑞時是“困難的”。使用ASiR-V，圖像更加平滑，尤其是對于AV100。與AV50相比，DLIR獲得的圖像噪聲小、平滑度低，提高了空間分辨率(視覺邊界檢測)和插入檢測能力。

圖5 3×3 cm²的感興趣區對于丙烯酸插入物的濾波反投影(FBP)、AV50(ASiR-V 50%)和AV100(ASiR-V 100%)，三個等級的深度學習圖像重建的圖像

06

—

討論

在本研究中，我們利用基于任務的圖像質量評價方法，評估了一個新引進的DLIR技術，并與IR算法進行比較。結果表明新DLIR算法減少了噪音，提高了空間分辨率和可檢測性，而沒有出現IR通常會出現的圖像紋理變化。

基于人工智能的新型重建算法的圖像質量特征尚未被廣泛表征，還需要與FBP、IR等參考重建方法進行比較和理解。在以前的研究中，研究人員對IR重建算法進行研究，證明了其對大多數臨床適應癥的降噪能力和減少患者輻射。然而，一些研究證明了IR的局限性，會造成紋理退化，并表明相關的劑量優化會對圖像質量、檢測和診斷帶來風險。

為了客觀地評價IR的非線性和非穩定性和量化圖像質量，本研究引入了基于任務的評價概念。在表征IR、與傳統FBP比較和估計其劑量減少潛力時，都表露出傳統基于傅里葉變換指標的不足。因為DLIR重建最近才公布, 不是基于傳統的算法，而是基于人工智能，以我們所知，除制造商GE以外沒有在任何研究中進行客觀地評估過，評估最終圖像質量至關重要的是噪音大小和紋理，空間分辨率和基于任務的檢測能力指數。

DLIR重建算法TrueFidelity?目的是在不改變紋理的情況下降低圖像的噪聲。本研究結果證實了DLIR可降低噪聲強度。與FBP相比，NPS峰值從DLIR-L的50%降低到DLIR-H的68%。此外，利用高質量FBP圖像訓練DLIR算法，DLIR得到的噪聲紋理和空間分辨率(分別用NPS空間頻率和TTF_50%評估)與FBP算法結果相似。FBP和DLIR的NPS空間頻率在不同劑量下有相似之處。在2.5 mGy以下，NPS空間頻率向較低頻率移動。還應注意的是，隨著DLIR水平的增加，NPS峰值和NPS空間頻率略有下降，但TTF_50%的值沒有變化。最后，NPS和TTF聯合結果顯示，DLIR對三種模擬病灶的可檢性高于FBP，隨著DLIR水平的升高更加明顯。

本研究中IR算法的基于任務的圖像質量評價結果與以往研究結果一致。IR增加會導致NPS峰值降低，NPS空間頻率向低頻方向移動。由于IR算法的非線性和非穩定性，空間分辨率與對比度和劑量相關。與FBP相比，丙烯酸類插入物的TTF值變化高于骨植入物和低對比度低劑量情況。然而隨著IR的增加，d '值相對FBP結果有了很大的提高。

DLIR與IR的比較結果根據所研究的度量值和IR的百分比不同而有所不同。所有DLIR水平的NPS峰值均低于AV50，但僅AV100與DLIR-H相當，這可能表明了DLIR訓練的目標。基于線性特性(空間分辨率與劑量和對比度無關)的FBP圖像校正，DLIR的NPS空間頻率和TTF值均高于IR。在低對比度下，DLIR和IR的TTF值差異較大。重建劑量和重建水平的變化對DLIR的影響小于IR。最后，DLIR組三個模擬病灶的d’值均高于AV50組，但僅DLIR-H組精細特征在所有劑量水平上高于AV100組。

對圖像質量的視覺評估證實了利用基于任務在噪音強度、噪音紋理和空間分辨率方面的評估結果。在相同劑量水平下，FBP圖像的噪聲強度高于IR和DLIR圖像。IR的圖像出現平滑現象，尤其是在AV100圖像中。從NPS曲線的平均頻率可以看出，DLIR的圖像紋理類似于FBP，但噪聲幅值更低。

多項研究表明，高權重等級的IR由于過多的圖像平滑和不自然的圖像外觀難以在臨床應用。盆腹腔檢查的良好折中方案是使用文獻中最常用的迭代水平AV50或AV60進行重建。為了保證滿足診斷的圖像質量，劑量減少同時要保持適度的圖像質量強度。本研究的結果表明，在相同的可檢測能力下，在不同的臨床任務中，DLIR-L的劑量可能比AV50減少9 -17%，DLIR-H減少46 - 56%。此外，對于相同的劑量情況下，利用DLIR重建的圖像質量相對于IR來說，特別是噪聲紋理和空間分辨率，可以改善腹部病變的分割和表征。與AV50相比，DLIR確實提高了低對比度、小直徑模擬病灶的可檢出性。

07

—

總結

新型TrueFidelity?深度學習圖像重建算法在不改變于FBP對應的噪聲紋理的情況下，降低了噪聲幅度，提高了空間分辨率和可檢測性。DLIR獲得的圖像比IR獲得的圖像顯示了更大的劑量優化潛力，其重建時間適合臨床使用。因此，未來需要應用在臨床條件下的患者研究，以確認在本體模研究中發現的結果。

08

—

Appendix：圖像評價參數

1)?MTF?modulation transfer function 調制傳遞函數

MTF是在傅里葉域中描述線性和位移不變成像系統分辨率的度量，MTF定義為輸出圖像對比度/輸入圖像對比度，MTF的值在0到1之間，MTF為0，表示成像系統無法獲取物體的信息，MTF為1則表示成像系統可以重現物體的所有信息。

圖1. MTF示意圖，A,B,C代表不同成像系統的MTF曲線結果

在CT中MTF反應成像系統在空間頻域的空間分辨率和對比度特性，通過MTF的值可以反應CT對成像物體的分辨能力，50%MTF可以反應CT對軟組織(如肝臟)的識別能力，10%MTF反應CT對骨骼的分辨能力，所以MTF的測量值與目標任務有關。所以在對CT進行MTF評估時，需要對不同目標任務進行測量計算。

CT的MTF計算方法主要有點擴散函數，線擴散函數以及邊緣擴散函數。

對于點擴散法，通過假設成像圖像是個點像，通過成像系統后形成的點圖像，成像散開程度越大，則表示成像系統分辨能力越差。但是由于實驗難以提供完美的點像，而且點擴散攜帶的數據信息較少，容易受到噪聲的影響，重復性差。對于線擴散法，則利用線對(bar)通過CT進行成像，線的擴散程度反映了CT的空間分辨能力。缺點則是實驗對線對的選擇有嚴格的要求，在計算低噪聲平均圖像時，切片之間的邊緣不對齊會造成邊緣的模糊，降低MTF的測量精度。

現在研究者普遍使用邊緣擴散法進行計算MTF，使用球形或圓盤物理進行CT成像，通常使用ACR QA體模進行評估。美國材料試驗協會(ASTM)制定了CT測試標準，使用均勻圓盤為試件，通過插值，微分及傅里葉變化求得MTF曲線。

2)?NPS?noise power spectrum 噪聲功率譜

利用標準差(SD)估計CT圖像噪聲，由于測量方法相對簡單、快速，得到了廣泛應用。然而，它提供了一個非常有限的噪聲大小的描述，兩幅具有非常不同的噪聲紋理的圖像可能有相同的標準差，如圖2所示。

圖2. 兩幅標準差相同但圖像紋理不同的圖片，a)?高頻噪聲；b)?低頻噪聲。圖像之間的鮮明差異說明了使用標準偏差充分評估圖像噪聲的局限性。

噪聲功率譜(NPS)測量方法基于傅里葉變換，將噪聲信號變換至頻域進行分離測量，能夠描述重建數據中的噪聲頻率變化，是一個更為全面的噪聲評價方式。

在研究中，通常對水膜進行掃描，可以去除硬化偽影和X射線散射對結果的影響。NPS的計算如下：

，

計算總體掃描與理論背景的差值即為二維空間的噪聲分布，通過傅里葉變換，則可以將噪聲進行頻域分離，從而反應噪聲頻率變化和分布的具體情況。

圖3. 4mGy下FBP，ASiR-V40%，ASiR-V60%，ASiR-V100%重建圖像的NPS曲線

圖3為常見CT圖像的NPS評估結果，FBP圖像在正常劑量和高劑量下NPS結果不會受到劑量影響，曲線走勢和平均頻率相差不大。隨著ASiR-V迭代算法重建權重的提高，NPS峰值降低，圖像噪聲減小，但平均頻率左移增加，圖像會出現噪聲紋理變化和過度平滑的現象。

3)?d’可檢測指數

研究客觀和主觀指標之間的關系，需要使用復雜的指標，可檢測指數提供了一個綜合系統性能和成像任務的價值。在這種形式下，可檢測指數也可以理解為任務函數與MTF?task和NPS的加權和，相對空間頻率的變化情況。檢測能力具有空間分辨率和噪聲紋理(像素相關性), 更全面地評估系統的分辨率的圖像質量和噪聲紋理與劑量和對比與迭代重建算法的相關性，是客觀評價任務檢出能力的參數。

d '的目標是找到最低劑量，產生足夠的圖像質量，提供良好的臨床表現。

通常計算d‘需要確定目標任務，對不同的目標任務(如骨骼，軟組織，低密度病灶等)，CT成像系統對任務的檢測能力也有所不同。

由于MTF和NPS與檢出任務相關，NPS與劑量相關，則d’是基于指定的檢出任務，在不同劑量下的客觀診出結果。

參考文獻：

1)? Greffier J., Hamard A., PereiraF., et al. Image Quality And Dose Reduction Opportunity of Deep Learning Image?Reconstruction Algorithm for CT: A Phantom Study. Eur Radiol. 2020; 30(1):10.1007/s00330-020-06724-w.?

2) De Marco P,Origgi D. New adaptive statistical iterative reconstruction ASiR-V: Assessment?of noise performance in comparison to ASiR. JAppl Clin Med Phys. 2018;19(2):275-286. doi:10.1002/acm2.12253.

(攝影?David He)

- the END -

總結

以上是生活随笔為你收集整理的图像重建算法_基于深度学习图像重建算法(DLIR)对CT图像质量和剂量优化的研究：体模实验...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。