臨床上，在計算機斷層掃描(CT)中檢測肝髒轉移是一個挑戰，因為通常情況下，轉移病灶和其周圍的CT密度差異很小，描述為 "低對比度檢測任務"。較低劑量的腹部CT圖像可能會帶來額外的困難，因為圖像噪聲的增加會使得小的低對比度的肝髒病變的邊界不明確。迭代重建(IR)與濾波背投(FBP)重建相比，改善了低劑量CT圖像的圖像質量。然而，IR的非線性圖像去噪和依賴對比度的空間分辨率的特點降低了低劑量水平下的噪聲紋理和低對比度的可檢測性。這限製了觀察者在低對比度檢測任務中的表現(如檢測低對比度低衰減的肝轉移)。

最近臨床上開發了商業化的人工智能驅動的方法來克服FBP和IR方法的局限性，如深度學習圖像重建(DLIR)(True Fidelity，GE Healthcare)。DLIR算法利用卷積神經網絡，包括數百萬個參數和一個基於高輻射劑量FBP數據的廣泛學習過程。一方麵，DLIR可以從噪聲中分辨出真正的衰減，提高空間分辨率並保留CT圖像中優選的噪聲紋理。另一方麵，DLIR可以在臨床環境中以較短的重建時間從低劑量的投影數據中生成高質量的圖像。

利用DLIR技術，在各種臨床適應症下進行腹部CT檢查時，可以大大降低劑量，同時仍能保證診斷圖像質量和病灶檢測。然而，不太清楚的是，在降低輻射劑量獲得的看似高質量的DLR圖像中，是否能夠正確檢測出細微病變仍是一個難題。由於係統評估DLIR對低對比度任務診斷性能的影響的數據仍然有限，因此非常需要開展研究以嚴格確定在不降低特定臨床條件下的診斷質量的情況下可以實現多少劑量的減少。

近日，發表在European Radiology雜誌的一項研究在對比度細節模型中對DLIR中的低對比度低衰減物體檢測與不同輻射劑量水平的標準重建進行了多閱讀者比較，以確定輻射減少的情況，同時在評估圖像質量和檢測不同輻射劑量水平的低對比度肝轉移灶後，進一步探討和驗證了DLIR的潛在劑量減少。

在五個CT劑量指數水平(10、6、3、2和1mGy)下，對一個由低對比度物體組成的對比度細節模型進行了掃描。總共有154名有305個肝髒病變的參與者接受了腹部CT檢查，根據模型結果進行了三臂設計的前瞻性非劣效試驗。全劑量(13.6 mGy)和低劑量(9.5、6.8或4.1 mGy)的數據集分別從兩次連續的門靜脈采集中獲得。所有圖像都是用FBP(參考)、IR(對照)和DLIR(測試)重建的。11位讀者評估了模型數據集的物體可探測性，並進行了非劣勢分析以解釋低劑量DLIR相對於全劑量FBP/IR在圖像質量和轉移瘤檢測方麵的差異。

模型實驗顯示，根據參考的FBP劑量指數，DLIR的劑量減少潛力高達57%。與全劑量的FBP/IR相比，DLIR減少30%和50%的輻射，其圖像質量和肝轉移灶檢測效果並不遜色。與全劑量FBP(差異：-0.112;95%置信區間[CI]：-0.178至0.047)和全劑量IR(差異：-0.123;95%CI：-0.182至0.053)相比，DLIR減少70%的輻射在檢測小轉移灶(<1厘米)方麵表現較差(P <0.001)。

圖 使用三種重建算法和五種劑量水平在2.5毫米層厚下得到的造影劑細節模型的重建CT圖像。FBP，過濾背投;IR，迭代重建;DLIR，深度學習成像重建

研究發現，在所有調查的輻射劑量水平上，DLIR比FBP和IR的肝髒到病灶的CNR、讀者對圖像質量和病灶的明顯性以及讀者的信心都有明顯的改善。DLIR可使檢測低對比度肝轉移的劑量減少50%(不論腫瘤大小)，同時保持與全劑量FBP和全劑量IR相當的圖像質量。

原文出處：

Peijie Lyu,Nana Liu,Brian Harrawood,et al.Is it possible to use low-dose deep learning reconstruction for the detection of liver metastases on CT routinely?DOI:10.1007/s00330-022-09206-3