European Radiology：基于深度学习的双能量CT图像重建对肝转移瘤的评估

众所周知，肝脏转移是肿瘤患者腹部CT最常见的并发症之一，早期发现并确定肝转移，可以为患者制定最佳的治疗方案并延长生存期。然而，由于CT的软组织对比度分辨率较低，CT检测转移灶的敏感性比MRI低。双能量CT（DECT）中的虚拟单能成像（VMI）是用于增强CT图像中软组织对比度的方法之一。

在低单能级（即40-50KeV）的VMI中可通过利用碘的明显衰减增加来增加碘的对比度，这是由于碘在33KeV的K边以上的光电效应增加所致。然而，碘对比度的增加导致了图像噪声的相应增加。在40-keV或50-keV的VMI下，图像噪声急剧增加，降低了碘对比度-噪声比（CNR）。

最近的研究表明，与传统的迭代重建算法相比，深度学习模型（DLM）重建算法可以通过抑制图像噪声和保留结构细节来提高图像质量。然而，只有少数研究将DLM重建算法应用于VMI数据集。据报道，供应商特定的应用于胰腺期70-keV VMI的DLM重建算法（TrueFidelityTM 2.0，GE Healthcare）可以改善胰腺癌的图像质量和病灶的显示。然而，供应商的特异性限制了该技术的普遍使用。最近有研究提出了一种与厂商无关的DLM重建算法，该算法应用于小儿腹部CT的60-keV VMI，显示了相当的图像质量并同时降低了辐射和碘的剂量。

近日，发表在European Radiology杂志的一项研究与标准线性混合图像（模拟100-KVp）和原始40-keV VMI相比，评估了供应商诊断性DLM重建的40-keV VMI在肝转移灶图像质量和诊断性能方面的价值，为临床早期、准确的对肝转移灶进行诊断提供了技术支持。

本项回顾性研究包括131名在门静脉期接受增强DECT（80-kvp和150-kvp，带锡过滤器）以监测肝转移的患者。对模拟100-kvp图像（100-kvp）、标准40-keV VMI图像（40-keV VMI）和使用供应商诊断的DLM（即DLM 40-keV VMI）进行的40-keV VMI后处理的线性混合图像惊喜你个重建。病变的明显性和诊断的可接受性由三个独立的审查员评估，并使用Wilcoxon符号秩检验进行比较。将ROI置于转移病灶和肝实质中对对比度-噪声比（CNRs）进行测量。通过使用jackknife替代自由反应ROC方法评估了肝脏转移的检测性能。两个独立的放射科医生的共识被作为参考标准。 

DLM 40-keV VMI与40-keV VMI和100-kvp相比，显示出更高的病灶比肝实质的CNR（8.25 ± 3.23 vs. 6.05 ± 2.38 vs. 5.99 ± 2.00）、更好的病灶显像（4. 3 (4.0-4.7) vs. 3.7 (3.7-4.0) vs. 3.7 (3.3-4.0))以及更好的诊断接受性(4.3 (4.0-4.3) vs. 3.0 (2.7-3.3) vs. 4.0 (4.0-4.3)) (所有的P<0.001)。对于病灶检测（68名患者的246个肝转移灶），DLM 40-keV VMI的优点明显高于40-keV VMI（0.852 vs. 0.822，p = 0.012），而DLM 40-keV VMI和100-kVp之间不存在明显差异（0.852 vs. 0.842，p = 0.31）。 

图 77岁男性结肠癌患者的门静脉相图像。与模拟的100千伏图像（a）和使用噪声优化的VMI重建算法（b）处理后的40千伏虚拟单能图像（即40千伏VMI）相比，使用深度学习模型（DLM 40千伏VMI）重建的40千伏图像（c）显示了更好的图像噪声和肝脏第6段转移灶的显示（箭头）

本研究表明，与ADMIRE的标准线性混合图像相比，基于DLM的40keV VMIs重建在检测肝脏转移灶方面提供了更好的图像质量和可比较的诊断性能。

原文出处：

Taehee Lee,Jeong Min Lee,Jeong Hee Yoon,et al.Deep learning-based image reconstruction of 40-keV virtual monoenergetic images of dual-energy CT for the assessment of hypoenhancing hepatic metastasis.DOI:10.1007/s00330-022-08728-0