Academic Radiolog:人工智能在超低剂量CT肺癌筛查中的降噪应用

现阶段，肺癌仍然是全球癌症相关死亡的主要原因，全世界的病例和死亡人数都在增加。大多数患者是由于症状或偶然的影像学发现而确诊，因此诊断时常为晚期，导致5年生存率很低。使用低剂量（LD）计算机断层扫描（CT）进行筛查可以降低肺癌的具体死亡率，已经成为高风险人群的标准筛查流程。由于肺癌筛查需要对无症状的健康人进行反复照射，辐射暴露是一个重要问题，需要根据合理的低辐射原则来优化病人的辐射剂量。

减少扫描仪的辐射输出以减少病人的暴露，不可避免地会增加图像的噪音、导致图像质量下降、模糊度增加并失去诊断价值。最近的迭代重建技术能够在不降低图像质量的情况下大幅降低辐射剂量。iDose4 IR算法首先用一个保留边缘的最大似然去噪算法处理原始数据，然后在连续的重建过程中反复减少不相关的噪声。

自适应统计迭代重建（ASIR）是一种具有前向和后向重建步骤的完全IR。噪声在图像中被反复减少。基于模型的迭代重建（MBIR）对系统统计和光学系统从焦点到探测器的整个过程进行建模。使用这些模型可以计算出多个后向和前向重建，导致处理时间更长，但比ASIR或过滤后投影更好地减少伪影和空间分辨率。

与基于机器的重建方法一起，深度学习技术，特别是那些基于卷积神经网络（CNN）的技术正在成为图像后处理的重要工具以减少噪音和提高图像质量。

CNN是一类由连续层组成的人工神经网络，由其计算功能定义，如卷积、池化和全连接。在CT去噪应用中，CNN在训练阶段通过梯度反向传播算法学习噪声输入图像和期望去噪输出图像之间的映射。

近日，发表在Academic Radiology杂志的一项研究评估了ULD CT以及基于人工智能的新型胸部ULD CT重建方法在高危吸烟者中的肺癌筛查中的价值及能力，为肺癌患者的早期筛查及诊断提供了技术支持。

本项前瞻性研究纳入了123名患者，84名（70.6%）男性，平均年龄62.6±5.35（55-75），所有患者均进行了低剂量和ULD扫描。研究使用了一个完全卷积网络用于降噪。用于提取感知特征的网络是以无监督的方式通过降噪堆叠自动编码器对数据本身进行训练。感知特征是来自网络不同层的特征图的组合，并有两位读者独立审查了所有的图像。 

ULD使平均辐射剂量减少了76%（48%-85%）。当比较阴性和可采取行动的肺部RADS类别时，dULD和LD之间没有差异（p = 0.22 RE，p > 0.999 RR），ULD和LD扫描之间也没有差异（p = 0.75 RE，p > 0.999 RR）。88(74%)和81(68%)名患者在dULD扫描中记录了冠状动脉钙化(CAC)，74(62.2%)和77(64.7%)名患者在ULD扫描中记录了冠状动脉钙化。dULD显示出高灵敏度，93.9%-97.6%，准确率为91.7%。阅读者之间对CAC评分几乎完全一致：LD（ICC = 0.924）、dULD（ICC = 0.903）和ULD（ICC = 0.817）扫描。 

图 胸部CT轴位图像。在超低剂量CT（3a）上被RE漏掉的9.5毫米的部分实性结节，在降噪后的超低剂量CT（3c）上很容易看到，且与低剂量CT（3b）类似

研究表明，一种新型的基于人工智能的降噪方法可以大幅降低辐射剂量，且不会对肺部结节或如主动脉瘤等危及生命的发现发生漏诊。

原文出处：

Larisa Gorenstein,Amir Onn,Michael Green,et al.A Novel Artificial Intelligence Based Denoising Method for Ultra-Low Dose CT Used for Lung Cancer Screening.DOI:10.1016/j.acra.2023.02.019