临床上，在计算机断层扫描(CT)中检测肝脏转移是一个挑战，因为通常情况下，转移病灶和其周围的CT密度差异很小，描述为 "低对比度检测任务"。较低剂量的腹部CT图像可能会带来额外的困难，因为图像噪声的增加会使得小的低对比度的肝脏病变的边界不明确。迭代重建(IR)与滤波背投(FBP)重建相比，改善了低剂量CT图像的图像质量。然而，IR的非线性图像去噪和依赖对比度的空间分辨率的特点降低了低剂量水平下的噪声纹理和低对比度的可检测性。这限制了观察者在低对比度检测任务中的表现(如检测低对比度低衰减的肝转移)。

        最近临床上开发了商业化的人工智能驱动的方法来克服FBP和IR方法的局限性，如深度学习图像重建(DLIR)(True Fidelity，GE Healthcare)。DLIR算法利用卷积神经网络，包括数百万个参数和一个基于高辐射剂量FBP数据的广泛学习过程。一方面，DLIR可以从噪声中分辨出真正的衰减，提高空间分辨率并保留CT图像中优选的噪声纹理。另一方面，DLIR可以在临床环境中以较短的重建时间从低剂量的投影数据中生成高质量的图像。

        利用DLIR技术，在各种临床适应症下进行腹部CT检查时，可以大大降低剂量，同时仍能保证诊断图像质量和病灶检测。然而，不太清楚的是，在降低辐射剂量获得的看似高质量的DLR图像中，是否能够正确检测出细微病变仍是一个难题。由于系统评估DLIR对低对比度任务诊断性能的影响的数据仍然有限，因此非常需要开展研究以严格确定在不降低特定临床条件下的诊断质量的情况下可以实现多少剂量的减少。

        近日，发表在European Radiology杂志的一项研究在对比度细节模型中对DLIR中的低对比度低衰减物体检测与不同辐射剂量水平的标准重建进行了多阅读者比较，以确定辐射减少的情况，同时在评估图像质量和检测不同辐射剂量水平的低对比度肝转移灶后，进一步探讨和验证了DLIR的潜在剂量减少。

        在五个CT剂量指数水平(10、6、3、2和1mGy)下，对一个由低对比度物体组成的对比度细节模型进行了扫描。总共有154名有305个肝脏病变的参与者接受了腹部CT检查，根据模型结果进行了三臂设计的前瞻性非劣效试验。全剂量(13.6 mGy)和低剂量(9.5、6.8或4.1 mGy)的数据集分别从两次连续的门静脉采集中获得。所有图像都是用FBP(参考)、IR(对照)和DLIR(测试)重建的。11位读者评估了模型数据集的物体可探测性，并进行了非劣势分析以解释低剂量DLIR相对于全剂量FBP/IR在图像质量和转移瘤检测方面的差异。

        模型实验显示，根据参考的FBP剂量指数，DLIR的剂量减少潜力高达57%。与全剂量的FBP/IR相比，DLIR减少30%和50%的辐射，其图像质量和肝转移灶检测效果并不逊色。与全剂量FBP(差异：-0.112;95%置信区间[CI]：-0.178至0.047)和全剂量IR(差异：-0.123;95%CI：-0.182至0.053)相比，DLIR减少70%的辐射在检测小转移灶(<1厘米)方面表现较差(P <0.001)。

        图 使用三种重建算法和五种剂量水平在2.5毫米层厚下得到的造影剂细节模型的重建CT图像。FBP，过滤背投;IR，迭代重建;DLIR，深度学习成像重建

        研究发现，在所有调查的辐射剂量水平上，DLIR比FBP和IR的肝脏到病灶的CNR、读者对图像质量和病灶的明显性以及读者的信心都有明显的改善。DLIR可使检测低对比度肝转移的剂量减少50%(不论肿瘤大小)，同时保持与全剂量FBP和全剂量IR相当的图像质量。

        原文出处：

        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