European Radiology：深度学习图像重建算法在降低双能CT图像噪声方面的价值

放射组学是将数字医学图像转化为肉眼不可见的多层次定量可挖掘数据策略的总称，这些数据被认为是反映生理或病理过程的生物标志物。放射组学使数据在临床决策中得到应用，并为精准医疗提供支持，但放射组学的通用性会受到稳健性问题的阻碍。多种因素与放射组学的稳健性相关，其中重建算法是最重要的技术参数之一。不同扫描仪的重建算法对像素间的关系影响很大，可导致数据不稳定，这对回顾性、纵向或多中心临床研究中的放射组学方法构成挑战。

现阶段，迭代重建（IR）算法已被引入临床实践以取代传统的滤波反投影（FBP）。一方面，基于模型的红外算法提供了巨大的降噪效果，但由于重建时间过长，因此对图像纹理有一定影响。另一方面，混合红外算法的优点是可以更快地重建图像。然而，高水平的混合红外算法可能产生过度平滑图像纹理。

最近开发的自适应统计迭代重建-V（ASIR-V）算法是一种混合红外算法，比老一代红外算法提供更好的图像质量，但仍不能完全克服不自然纹理的问题。临床上建立了一种新的深度学习图像重建（DLIR）算法（TrueFidelityTM）来弥补这一问题，并改善图像质量和纹理改变之间的权衡。研究表明，与更传统的FBP重建算法相比，DLIR在改善单能量CT（SECT）和双能量CT（DECT）的图像质量方面比IR算法更有优势 。然而，DLIR对DECT放射组学特征的影响还没有被彻底评估。此外，哪些特征在DECT扫描仪和IR算法中是稳健的还不得而知。

近日，发表在European Radiology杂志的一项研究比较了DLIR算法和其他传统IR算法在DECT中所产生的图像质量，并评估了这些重建算法对采用IR算法的DECT扫描仪之间放射组学稳健性的影响。

本项演技使用典型的腹部-骨盆检查方案，在7台具有相同体素大小的DECT扫描仪上对一个具有临床相关密度的模型进行成像。在一台DECT扫描仪上，使用常规IR（自适应统计迭代重建-V，ASIR-V）和DLIR对原始数据进行了重建。在其他六台DECT扫描仪上，使用扫描仪配备的常规IR生成了九套相应的图像。对图像质量进行了比较。使用Pyradiomics平台用于放射组学特征提取。重复扫描的测试-重复性是通过布兰-阿特曼分析评估的，并通过类内相关系数（ICC）和一致相关系数（CCC）测试了传统IR和DLIR之间的重建算法的重现性。通过变异系数（CV）和四分位离散系数（QCD）评估了扫描仪间的重现性。

研究发现，DLIR显著提高了图像质量。共提取了94个放射组学特征，其中9个特征是稳健的。93.87%的特征在重复扫描之间是可重复的。与DLIR相比，ASIR-V图像显示出对其他传统IR更高的可重复性（ICC平均值，0.603 vs 0.558，p = 0.001；CCC平均值，0.554 vs 0.510，p = 0.004）。在用CV和QCD评估的扫描仪中，分别有7.45%和26.83%的特征是可重复的。

图 根据图像集的特征重复性热图。ASIR-V，自适应统计迭代重建-V；DLIR，深度学习图像重建；GLCM，灰度共现矩阵；GLDM，灰度依赖矩阵；GLRLM，灰度运行长度矩阵；GLSZM，灰度大小区域矩阵；NGTDM，邻域灰调差异矩阵

本项研究表明，在DECT图像中，新的DLIR算法在信噪比、CNR和NPS方面比ASIR-V算法提供了更好的图像质量，而与ASIR-V算法相比，DLIR算法与其他传统IR算法的可重复性较差。DECT扫描仪和重建算法之间的总体可重复性较低。

原文出处：

Jingyu Zhong,Yihan Xia,Yong Chen,et al.Deep learning image reconstruction algorithm reduces image noise while alters radiomics features in dual-energy CT in comparison with conventional iterative reconstruction algorithms: a phantom study.DOI:10.1007/s00330-022-09119-1