Radiology：基于深度学习的心肌延迟增强CT的降噪

在过去的几十年里，心脏成像的重要发展之一是通过心肌延迟增强（MDE）成像对心肌纤维化进行无创评估。MDE现象及其在心肌瘢痕成像方面的临床潜力已通过CT和碘对比剂得到证实。在过去的十年中，许多研究支持通过使用晚期钆增强（LGE）心脏MRI（CMR），对MDE的存在和程度具有越来越重要的预后价值。

随着高功率管和重建及后处理的创新等CT技术的进步，使人们对MDE CT重新产生兴趣。研究发现，MDE CT的诊断性能与CMR相当，并能根据MDE CT计算的细胞外液量预测疾病的严重程度和预后。MDE CT的一个基本问题是如何在异常心肌和正常心肌之间实现高对比度-噪声比（CNR）。

深度学习（DL）作为减少图像噪声的工具，在医学影像学中已经引起了越来越多的关注。然而，要为CT构建一个有监督的DL去噪模型，就必须获得低剂量和高剂量图像的数据，这在临床环境中是具有挑战性的。

近日，发表Radiology杂志的一项研究评估了基于DL降噪的MDE CT扫描的定量图像质量，并评估了其与LGE CMR相比在帮助诊断MDE存在时的诊断表现，为MDE CT的广泛应用提供了技术支持。

本研究对2020年7月-2021年10月期间本机构患者在注射造影剂后5分钟内通过平均化三次采集获得的MDE CT数据进行了回顾。在100名患者中获得的预平均图像作为输入，平均图像作为基础真相，用于监督残余致密网络（RDN）。比较了保留病例的原始单次拍摄图像、标准平均图像、RDN-enoised原始图像（DL_original）和RDN-enoised平均图像（DL_ave）。在40名患者中评估了左心室腔和心肌的CT值和图像噪音，以及其余40名接受参考LGE MRI的患者中MDE的分段存在。使用广义估计方程估计的几率（ORs）来评估每种CT图像的敏感性、特异性和准确性以及RDN实现的准确性改善。

共180名患者（中位年龄，66岁[IQR，53-74岁]；107名男性）被纳入研究。RDN将图像噪声降低到原始水平的28%，同时保持CT值的等同性（所有的P < .001）。原始图像的敏感性、特异性和准确性分别为77.9%、84.4%和82.3%，平均图像为89.7%、87.9%和88.5%，DLoriginal图像为93.1%、87.5%和89.3%，而DL_ave图像为95.1%、93.1%和93.8%。与原始图像相比，DL_original图像显示出更好的准确性（OR，1.8 [95% CI: 1.2, 2.9]; P = .011），DL_ave图像与平均图像相比显示出更好的准确性（OR，2.0 [95% CI: 1.2, 3.5]; P = .009）。

图 该图显示了研究的工作流程。在深度学习模型的训练阶段，使用了心肌延迟增强CT中基于平均化的降噪过程之前和之后的数据集。然后，在测试阶段，对通过输入单次预平均图像和标准平均图像生成的去噪图像进行了评估

本研究表明，在降噪任务中训练的基于深度学习的降噪模型可以显著降低心肌延迟增强（MDE）CT图像的噪声，并提高其诊断性能以及促进MDE的识别。

原文出处：

Tatsuya Nishii,Takuma Kobayashi,Hironori Tanaka,et al.Deep Learning-based Post Hoc CT Denoising for Myocardial Delayed Enhancement.DOI:10.1148/radiol.220189