CT深度学习图像重建算法临床应用中国专家共识.docxVIP

CT深度学习图像重建算法临床应用中国专家共识

摘要

图像重建算法是CT算法中的核心。近年来深度学习图像重建（DLIR）算法逐渐应用于临床，显著改善CT的图像质量和辐射剂量，在疾病的诊断中发挥重要作用。为推动DLIR在我国的规范化应用，中国医师协会放射医师分会和医学技师专业委员会、中华医学会影像技术分会和中国医学装备协会放射影像装备分会组织专家参考大量文献并结合我国的临床实践，经过多次讨论达成以下共识，包括DLIR的技术特点和临床前实验研究，以及在头颈、心脏大血管、胸部、腹部、骨肌、儿童、急诊和能谱方面的临床应用。

图像重建算法是CT成像质量和诊断结果可靠的重要保障。常用的图像重建算法有滤波反投影（filteredbackprojection，FBP）算法和迭代重建算法，不同算法在计算效率、准确度和数值稳定性等方面各有特点。深度学习图像重建（deeplearningimagereconstruction，DLIR）是一种新型的CT图像重建算法，突破了非线性迭代重建算法在图像质量方面的限制，有效降低图像噪声并提高图像质量，同时减少计算负载，能提供常规快速重建，已经应用于各种疾病的诊疗。随着DLIR的逐渐普及，其临床应用和解读成为迫切需求。中国医师协会放射医师分会和医学技师专业委员会、中华医学会影像技术分会和中国医学装备协会放射影像装备分会组织全国多家单位的多位专家在参考大量文献的基础上，结合DLIR临床应用方面的丰富经验，形成此共识。该共识从基本原理和技术应用出发，旨在论述DLIR算法在临床疾病诊疗中的应用价值和意义，提高诊断效能并给出推荐意见，为临床规范检查提供指导，更好地为患者健康服务。

一、算法特点

商用迭代重建算法用于CT数据重建有近15年的历史，根据其特性，可以分为4种类型：（1）投影数据空间迭代重建（如GE医疗ASiR）；（2）图像和投影数据空间迭代重建（如佳能医疗AIDR和AIDR3D、飞利浦iDose?4、东软医疗ClearView）；（3）混合型迭代重建（如西门子医疗SAFIRE和ADMIRE、联影医疗KARL3D）；（4）多模型迭代重建（如GE医疗Veo和ASiR-V、飞利浦IMR、佳能医疗FIRST）。迭代重建算法的非线性运算通常会影响图像内噪声的空间分布，引起噪声纹理和空间分辨率改变，从而导致图像过度平滑和蜡像感，这对于低对比临床诊断任务的影响尤为明显，限制了其在低辐射剂量时的应用。

DLIR是基于深度神经网络的CT图像重建算法，在数块图形处理器的支持下，能够高速处理具有大量参数的复杂模型，为解决迭代重建算法的局限性带来希望。目前商用DLIR有GE医疗的TrueFidelity?TM、佳能医疗的AiCE和东软医疗的ClearInfinity。DLIR通常具有以下几个特点：（1）充分考虑CT成像的各种物理因素，如焦点大小和球管到探测器的距离等；（2）训练参考标准来源于常规辐射剂量下FBP重建（具有“自然”噪声纹理且重建速度快，如GE医疗的TrueFidelity?TM）或多模型迭代重建（如佳能医疗的AiCE和联影医疗的AIIR）的高质量图像；（3）训练数据包括体模和各种不同体型患者的图像，涵盖了不同的解剖部位、扫描条件和影像指征；（4）通过反向传播微调深度神经网络中的数百万个参数，使影响图像质量的各种评价指标，如图像噪声、噪声纹理、低对比度和高对比度分辨率等得到改善；（5）通过不同的重建强度控制图像噪声水平，以适应不同临床场景和医师喜好。

DLIR适用于成人和儿童的所有解剖部位，包括头颈、心血管和实质脏器等。DLIR可以显著降低图像噪声，同时保留真实的噪声纹理及解剖和病变细节，提高信号噪声比（signal-to-noiseratio，SNR）和对比噪声比（contrast-to-noiseratio，CNR），从而改善图像质量，提高诊断效能；可以在保持一定图像质量和诊断效能的情况下，降低辐射剂量和对比剂用量，尤其适合于高图像噪声的CT检查，如低剂量成像、高分辨率成像、肥胖患者成像、灌注成像、儿童成像和能谱低keV成像等。

二、临床前验证

应用多种辐射剂量、多种重建算法和多种对比物的体模研究均证实，在降低辐射剂量后，DLIR不仅能最大限度保留FBP图像的噪声纹理，而且在噪声、低对比度和高对比度分辨率及检测能力方面均优于FBP和迭代重建算法［1,2］。与常规剂量FBP和迭代重建相比，当剂量降低70%时，高强度DLIR（DLIR-H）检测低对比模拟病灶的能力相当；剂量降低90%时，中/低强度DLIR（DLIR-M/L）仍然具有非劣效性表现［3］。总之，临床前体模研究显示DLIR在不同的辐射剂量下和不同对比场景中均具有优异的表现，为进一步的临床研究提供了坚实的实验依据。

三、临床应用

（一）头颈部应