深度学习重建算法对胸部低剂量CT肺结节测量及显示影响的模体研究

目的:基于胸部模体探讨不同强度深度学习重建算法(DLIR)对低剂量CT图像上肺结节显示及测量的影响。方法:采用包括纵隔、支气管血管束、软组织及骨骼的成年男性胸部仿真模型,内置直径(体积)为5 mm(66 mm^(3))、8 mm(268 mm^(3))和10 mm(523 mm^(3))的实性结节(SN)及磨玻璃结节(GGN),对其进行低剂量CT扫描(100 kVp、40 mA,CTDI VOI=0.84 mGy),采用标准卷积核的自适应统计迭代重建算法(ASIR-V)及中档(DLIR-M)和高档(DLIR-H)深度学习重建算法分别进行图像重建。在肺组织内放置ROI(面积100 mm^(2))测量肺组织CT值的标准差(SD)作为肺组织噪声(N肺组织)。选用肺结节CT影像辅助检测系统自动计算得到10 mm SN及10 mm GGN CT值的SD(即N结节)。计算3组图像上肺组织以及直径10 mm的SN和GGN的信噪比(SNR)及对比噪声比(CNR),以及所有结节的CT值和体积及其偏差度。对各组图像上肺组织及所有结节的噪声、支气管血管束的锐利度、SN和GGN的显示情况进行主观评价。结果:①在3组图像上,DLIR-H的肺组织、SN和GGN的噪声均为最低,肺组织的SNR、SN和GGN的SNR和CNR均为最高(P均<0.05),肺组织、SN和GGN显示情况的主观评分为最高(P均<0.001)。②三组图像上,三种直径SN的平均CT值偏差度的总体差异均无统计学意义(P均>0.05),三种直径GGN的平均CT值偏差度的总体差异均有统计学意义(P均<0.001);对于直径10 mm及5 mm的GGN,DLIR-M和DLIR-H图像上测得的平均CT值偏差度均小于ASIR-V(P均<0.001),DLIR-M和DLIR-H图像上测得的平均CT值偏差度的差异无统计学意义(P>0.05);对于直径8 mm的GGN,ASIR-V图像测得的平均CT值偏差度均小于DLIR-M、DLIR-H图像(P均<0.001),而DLIR-M与DLIR-H图像上测得的此指标值的差异无统计学意义(P=0.535)。③三组重建图像上测得10 mm、8 mm直径的SN及GGN体积偏差度的总体差异均无统计学意义(P均>0.05);对于直径5 mm的SN,ASIR-V与DLIR-M组间、DLIR-M与DLIR-H组间均无统计学差异(P均>0.05),ASIR-V图像测得偏差度小于DLIR-H(P=0.020);对于直径5 mm GGN,在DLIR-M、DLIR-H图像上测得的体积偏差度均较ASIR-V图像更小(P均<0.05),而DLIR-M、DLIR-H图像间偏差度的总体差异无统计学意义(P=0.476)。④主观评价结果:三组重建图像上肺组织噪声评分的总体差异具有统计学意义(H=15.58,P<0.001),在DLIR-H图像上该指标评分高于ASIR-V和DLIR-M图像(P<0.05),而ASIR-V与DLIR-M图像之间该指标评分的总体差异无统计学意义(P=0.849);三组重建图像的支气管血管束锐利度以及SN和GGN可见度主观评分的总体差异均无统计学意义(P均>0.05)。结论:低剂量下DLIR图像对结节CT值和体积的测量及显示情况与ASIR-V算法相当,而且在DLIR-M和DLIR-H图像上测得的5 mm GGN的平均CT值及体积更准确。对于肺结节的低剂量CT筛查及随访,采用深度学习重建算法是值得推荐的。

CT灌注早期预测索拉非尼对大鼠肝癌的疗效

目的评估CT灌注各参数早期预测索拉非尼治疗大鼠肝癌效果的可行性。方法 40只Wistar大鼠肝脏内种植大鼠肝癌后第9天行CT灌注成像扫描。肝癌最大径均值(0.57±0.34)cm。扫描后实验组(n=28)索拉非尼灌胃治疗,对照组相同剂量生理盐水灌胃。依据治疗21天后测量肿瘤最大径减少的大鼠为有效组,其他设定为无效组。在治疗前、治疗后第11天及第21天分别行CT灌注扫描。最后一次扫描后处死大鼠,取带有肿瘤组织的肝叶做免疫组织化学检查。对比分析三组灌注数据之间的差异,应用微血管密度(MVD)与灌注参数值的相关性。结果 CT灌注成像技术可以反映肝癌治疗前后血液动力学变化。在治疗后的第11天有效组的肝动脉灌注量(ALP)即出现显著下降(71.5 ml·min-1·100 ml-1降至53.4 ml·min-1·100 ml-1。而无效组(P=0.87)和对照组(P=0.34)无显著变化。治疗后21天,有效组肿瘤最大径显著缩小(P=0.042),对照组肿瘤最大径明显增加(P=0.001)。统计学表明大鼠肝癌的MVD与ALP有较好的相关性(r=0.647)。结论 CT灌注可以定量分析经索拉非尼治疗前后肝癌内的血流动力学变化;进而对索拉非尼的疗效进行早期预测。