European Radiology:深度学习重建为放射组学特征提取“保驾护航”！

放射组学可从计算机断层扫描（CT）图像中提取定量特征来建立预测模型，以改善癌症的诊断、预后和治疗。然而，对临床图像质量的不健全限制了放射组学的发展和应用。成像过程中的影响因素会影响特征的提取，以至于使放射组学的特征无法重现，并将大多数特征排除在疾病评估之外。因此，更好地了解放射组学对图像质量的要求，并确定能提高可靠特征产量的成像技术意义重大。

大多数放射组学研究中使用的滤波背投（FBP）和迭代重建方法降低了放射组学特征的稳定性。据报道，最近引入的深度学习重建技术可以控制噪声，并且可以保持噪声纹理。鉴于这些改进，深度学习重建可能允许对组织进行更可靠的量化以提取放射组学特征。

近日，发表在European Radiology杂志的一项研究比较了深度学习重建与FBP、混合迭代重建和基于模型的迭代重建对放射组学特征提取中图像质量的影像，为进一步提高放射组学的特征稳定性和辨别能力提供参考。

本研究使用了一个模拟65岁患者腹部肝转移的模型，研究了图像重建对放射组学特征的影响。该模型在0.2到4mGy的18个剂量下被扫描，每个剂量有20次重复扫描。用FBP、AIDR 3D、FIRST和AiCE对图像进行了重建。从24个感兴趣的区域提取了93个放射组学特征，这些区域平均分布在三个组织类别中：正常肝脏、转移灶和转移灶边缘。分析了特征在同一图像中对组织的一致描述（类内相关系数≥0.75）、判别能力（Kruskal-Wallis检验p值<0.05）和可重复性（总体一致相关系数≥0.75）。 

FBP、AIDR 3D、FIRST和AiCE在所有剂量下的一致特征的中位数分别为6%、8%、6%和22%。48%、82%、84%和92%的特征达到了足够的鉴别力，52%、20%、17%和39%的特征是可重复的。只有5%的特征结合了FBP、AIDR 3D和FIRST的一致性、鉴别力和可重复性，而AiCE在剂量超过1 mGy时为13%，剂量≥3 mGy时为17%。AiCE是唯一能够提取高阶特征的重建技术。  

图 用于放射组学特征提取的感兴趣区域(ROI)放置。三个组织类别（肝脏、转移灶和转移灶边缘），每个组织类别使用八个ROI进行分析

本研究表明，由于组织特征不一致、鉴别力低或重复性低，使用FBP、混合迭代重建和基于模型的迭代重建重建的CT图像的图像质量对大多数放射组学特征来说是不够的。在临床上通常使用的剂量下通过深度学习重建降低噪声，可大大提高放射组学的图像质量。图像重建算法可以优化图像质量，以便对CT图像中的组织进行更可靠的量化。

原文出处：

Florian Michallek,Ulrich Genske,Stefan Markus Niehues,et al.Deep learning reconstruction improves radiomics feature stability and discriminative power in abdominal CT imaging: a phantom study.DOI:10.1007/s00330-022-08592-y