Radiology：在超低剂量胸部CT中，深度学习可实现肺结节的“既要、又要、还要”

据统计，肺癌是现阶段全球范围内癌症相关死亡的主要原因，占总数的18.4%。大量的CT筛查可以将肺癌的10年死亡率降低24%。尽管对肺癌筛查的需求迅速增加，但辐射暴露的累积负荷限制了其进一步的广泛应用。在保证诊断准确性的前提下，尽可能地减少辐射剂量至关重要。然而，传统的图像重建方法并不能减少低剂量采集的图像噪声。现阶段，临床上引入了迭代重建，如ASIR-V和ADMIRE用来重建图像和减少噪声。在低剂量CT背景下，迭代重建可以显著减少图像噪声并提高图像质量。

最近，临床上引入了基于卷积神经网络的深度学习图像重建（DLIR）技术以改善低剂量环境下的图像质量。近日，发表在Radiology杂志的一项研究比较了DLIR和ASIR-V在超低剂量（ULD）CT中的图像质量和肺部结节显示情况，在保证图像质量的同时进一步减少辐射剂量。

本研究对2020年4月至6月期间进行平扫ULD CT（在0.07或0.14 mSv下进行，类似于单张胸片）和对比增强胸部CT（CECT）扫描的患者被进行了评估。ULD CT图像用滤波背投（FBP）、ASIR-V和DLIR进行重建。对肺组织进行了三维分割以评估图像噪声。放射医师利用基于深度学习的结节评估系统检测和测量结节，并识别与恶性肿瘤相关的影像特征。用Bland-Altman分析和重复测量方差分析来评估ULD CT图像和CECT图像之间的差异。

共纳入203名参与者（平均年龄±标准差，61岁±12岁；129名男性），有1066个结节，其中100次扫描为0.07mSv，103次扫描为0.14mSv。CECT的平均肺组织噪声±标准差为46 HU±4，ULD CT扫描的FBP、ASIR-V水平40%、ASIR-V水平80%（ASIR-V-80%）、中等强度DLIR和高强度DLIR（DLIR-H）分别为59 HU±4、56 HU±4、53 HU±4、54 HU±4和51 HU±4（P < .001）。FBP重建、ASIR-V-80%和DLIR-H的结节检出率分别为62.5%（1066个结节中的666个）、73.3%（1066个结节中的781个）和75.8%（1066个结节中的808个）（P < .001）。Bland-Altman分析显示，在FBP重建、ASIR-V-80%和DLIR-H中，长径与CECT的百分比差异分别为9.3%（95%平均CI：8.0，10.6）、9.2%（95%平均CI：8.0，10.4）和6.2%（95%平均CI：5.0，7.4）（P < .001）。

图 来自DLIR和ASIR-V的具有代表性胸部CT图像。72岁男性，体重指数为19.0kg/m²，5年前有右中叶肺癌手术的临床病史。这四张图像包括作为参考的CECT图像（使用ASIR-V 50%水平重建）和0.14mSv超低剂量CT下的滤波背投（FBP）、ASIR-V 80%水平（ASIR-V-80%）和高强度DLIR（DLIR-H）图像。红色勾勒的区域显示了肺实质的放大图像的细节。DLIR-H图像比ASIR-V-80%图像显示更清晰的肺实质和更多的细节，与CECT图像相似。

与ASIR-V相比，深度学习图像重建（DLIR）技术可通过减少图像噪声和提高肺部结节检测率来改善图像质量。DLIR还提高了结节测量的准确性，并显示了更详细的与恶性肿瘤相关的结节影像学特征。随着这种特定的DLIR算法的引入，在体重不足和体重正常的参与者中使用低至0.14 mSv的等效胸部CT采集来检测和描述肺部结节是可行的，这对于促进大规模肺癌筛查的临床实施至关重要。

原文出处：

Beibei Jiang,Nianyun Li,Xiaomeng Shi,et al.Deep Learning Reconstruction Shows Better Lung Nodule Detection for Ultra-Low-Dose Chest CT.DOI:10.1148/radiol.210551