ISSN 1004-4140
CN 11-3017/P

深度学习重建算法在上腹部CT成像中的应用

温德英, 杨杰尹, 汪琴, 李臻, 王寒箫, 汪艾杰, 邓巧, 唐露, 伍希, 姚晋, 卢春燕, 孙家瑜

温德英, 杨杰尹, 汪琴, 等. 深度学习重建算法在上腹部CT成像中的应用[J]. CT理论与应用研究, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005.
引用本文: 温德英, 杨杰尹, 汪琴, 等. 深度学习重建算法在上腹部CT成像中的应用[J]. CT理论与应用研究, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005.
WEN D Y, YANG J Y, WANG Q, et al. Application of deep learning reconstruction algorithm in upper abdomen CT[J]. CT Theory and Applications, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005. (in Chinese).
Citation: WEN D Y, YANG J Y, WANG Q, et al. Application of deep learning reconstruction algorithm in upper abdomen CT[J]. CT Theory and Applications, 2022, 31(3): 329-336. DOI: 10.15953/j.ctta.2021.005. (in Chinese).

深度学习重建算法在上腹部CT成像中的应用

基金项目: 四川省科技厅重点研发项目(2020 YFS0123)。
详细信息
    作者简介:

    温德英: 女,四川大学华西医院放射科技师,主要从事CT、MR成像技术研究,E-mail:940035866@qq.com

    孙家瑜: 影像医学与核医学硕士,四川大学华西医院放射科主任技师,主要从事CT、MR成像及心脏MR技术研究,E-mail:sjy080512@163.com

  • 中图分类号: O  242;R  814

Application of Deep Learning Reconstruction Algorithm in Upper Abdomen CT

  • 摘要: 目的:通过分析比较自适应统计迭代重建(ASIR)算法和深度学习重建(DLIR)算法在上腹部CT成像中的图像质量,探讨DLIR算法在上腹部CT成像中的应用价值。方法:回顾性纳入75例患者上腹部CT平扫图像,利用自适应统计迭代重建算法ASIR(30%、50%、70%、90%)和深度学习重建算法(DL-L、DL-M、DL-H)重建图像,共7组。测量每组图像肝脏、胰腺、竖脊肌的CT值和SD值,并计算信噪比(SNR)和对比噪声比(CNR),采用单因素方差分析对各指标进行客观评价;同时由两位放射医师对图像质量和噪声评分,采用Friedman <i<M</i<检验进行比较。结果:①七组重建图像的SD值、SNR、肝脏CNR差异有统计学意义。②DL-L与ASIR 50%、DL-M与ASIR 70%、DL-H与ASIR 90% 间各ROI处CT值、SD值、SNR值、CNR值无差异。③三种深度学习重建算法间随等级升高,SNR值升高,差异有统计学意义;且DL-H 算法的SNR值高于ASIR 30%、ASIR 50%,SD值低于除ASIR 90% 外的其余5组重建算法。④七组图像主观评分差异有统计学意义,算法DL-H具有最佳的图像质量和最低的噪声,DL-M、ASIR 90%、DL-L、ASIR 70%、ASIR 50%、ASIR 30% 图像噪声依次增加。结论:深度学习重建算法能够降低上腹部图像噪声,提高图像质量,且随等级升高,图像噪声降低、质量提高、信噪比升高。
    Abstract: Objective: To explore the application of deep learning image reconstruction (DLIR) algorithm in upper abdominal CT imaging by analyzing the image quality of adaptive statistical iterative reconstruction (ASIR) algorithm and DLIR. Methods: Retrospectively included 75 patients’ upper abdominal CT plain scan images, using adaptive statistical iterative reconstruction algorithm ASIR (30%, 50%, 70%, 90%) and deep learning reconstruction algorithm (DL-L, DL-M, DL-H) to reconstruct images, a total of 7 groups. Measured the CT and SD values of the liver, pancreas, and erector spinae , and calculated the signal to noise ratio (SNR) and contrast to noise ratio (CNR). Objective indicators were evaluated by one-way ANOVA. Two radiologists scored the image quality and noise, and compared them with Friedman <i<M</i< test. Results: (1) The SD value, SNR, and liver CNR of the seven reconstructed images had statistically significant differences. (2) The difference in CT value, SD value, SNR value and CNR value at each ROI between DL-L and ASIR 50%, DL-M and ASIR 70%, DL-H and ASIR 90% was small. (3) The SNR value of the three DLIR algorithms increased as the level increased, and the difference was statistically significant; and the SNR value of the DL-H algorithm was higher than ASIR 30% and ASIR 50%, and the SD value was lower than the other five reconstruction algorithms except for the ASIR 90%. (4) The difference in the subjective scores of the seven groups of images was statistically significant. The algorithm DL-H had the best image quality and the lowest noise, DL-M, ASIR 90%, DL-L, ASIR 70%, ASIR 50%, ASIR 30% image noise in sequence increased. Conclusion: The DLIR algorithm can reduce the image noise of the upper abdomen and improve the image quality. As the level increased, the image noise decreased, the quality improved, and the signal-to-noise ratio increased.
  • 口腔临床通常将下颌阻生智齿牙根与下颌管的位置关系分为邻近、接触和重叠3类,其中邻近关系表明下颌阻生智齿的牙根未与下颌管接触;接触关系表明下颌阻生智齿的牙根与下颌管上壁接触;重叠关系表明下颌阻生智齿的牙根不仅和下颌管上壁接触,甚至越过下颌管上壁。术前准确判断下颌阻生智齿牙根与下颌管位置关系,是评估拔除智齿手术后是否会对下牙槽神经管造成损伤的重要依据[1]

    临床医生常通过锥形束CT(cone-beam computed tomography,CBCT)图像和曲面体层片来诊断下颌阻生智齿牙根与下颌管的位置关系。由于曲面体层图像存在解剖结构相互重叠、缺乏颊舌向信息等固有的成像缺点,通过CBCT图像判断下颌阻生智齿牙根与下颌管位置关系的准确率比曲面体层图像更高,但是CBCT图像的采集过程伴随着较高的电离辐射剂量,可能会给患者特别是青少年患者带来较大辐射伤害。因此,口腔临床上普遍采用曲面体层图像来判断下颌阻生智齿牙根与下颌管的位置关系;只有临床医生无法从曲面体层图像中做出确定性判读时,才会额外采集同一患者的CBCT图像进行辅助判断,以减少不必要的电离辐射伤害,即不是所有患者都会被要求采集CBCT图像数据[2]。临床上目前仍主要采取人工方式从曲面体层片中判断下颌阻生智齿牙根与下颌管的位置关系,准确性受医生经验、精力等人为因素影响较大。因此发展针对曲面体层片的下颌阻生智齿牙根与下颌管位置关系自动检测方法具有重要临床价值。

    近年来,随着深度学习在图像目标检测、识别等任务中表现出良好性能,有部分学者将深度学习模型应用于口腔医学影像处理和分析领域。Ekert等[3]构建卷积神经网络模型用于判断曲面体层片中是否存在根尖病变;Chang等[4]将深度学习框架与传统计算机辅助诊断方法相结合,在牙周骨丢失和牙周炎分期的自动诊断任务中获得较高的准确性和良好的可靠性;Ariji等[5]使用多分类深度学习来检测釉细胞瘤、牙源性角化囊肿、含牙囊肿、根性囊肿和骨囊肿;Vinayahalingam等[6]使用一种基于U-net的深度学习方法对第3磨牙和下牙槽神经进行分割;Lee等[7]提出同时以曲面体层片和锥形束CT图像为数据集,通过迁移学习训练GoogLeNet Inception-v3模型,以提高牙源性囊性病变自动检测和诊断性能。

    受上述研究启发,Fukuda等[8]使用预训练的AlexNet、GoogLeNet、VGG-16网络对曲面体层片中下颌阻生智齿牙根与下颌管的位置关系进行分类,获得了较好的分类结果;Choi等[9]也尝试采用经典的ResNet-50深度模型作为分类网络,以判断感兴趣区域内是否存在下颌阻生智齿牙根与下颌管相接触的情况。但已有的这些方法需要观察者在分类之前从整幅待检测图像中人工搜索包含下颌阻生智齿牙根与下颌管的区域,并将该感兴趣区域裁剪成图像块作为分类网络模型的输入,由于关键步骤需要人工操作,所以该方法检测结果准确性仍会受到临床医生经验差异的巨大影响。此外,该方法的另一个缺点是只能给出下颌阻生智齿牙根与下颌管位置关系的分类结果,无法自动预测图像中与下颌管接触的智齿牙根所在区域。

    为了克服上述缺点,本文提出基于卷积神经网络的曲面体层片下颌阻生智齿牙根与下颌管位置关系自动检测方法,该方法以YOLOv5网络为框架构建可同时完成分类和回归任务的单步深度卷积神经网络。在测试过程中不涉及感兴趣区域的人工搜索和裁剪;对曲面体层图像进行一次扫描后,即可同时输出该图像中下颌阻生智齿牙根与下颌管接触的概率,以及可能存在两者相接触情况的区域;此外,使用相应的三维CBCT图像作为分类金标准来训练网络模型。

    需要特别说明的是,因为本文所能采集到的数据中分别属于接触和重叠关系的样本数量均较少,故本文将接触和重叠关系统一归为下颌阻生智齿牙根与下颌管相互接触类别加以判断,即本文中数据的样本类别只有接触和非接触两类。

    本文发展一种用于自动检测曲面体层图像中下颌阻生智齿牙根与下颌管位置关系的方法。图1为本文所提方法的自动检测流程图,以YOLOv5网络为框架构建单步深度卷积神经网络。采用Mosaic数据增强方式[10]扩充训练数据集,即将训练集中的曲面体层图像进行随机缩放、随机裁剪、随机排布后拼接在一起作为新的训练数据。接着将从二维曲面体层训练图像获得的定位标注信息和对应的CBCT训练图像获得的分类标注信息作为金标准,训练网络学习曲面体层片图像特征与智齿牙根与下颌管位置关系的非线性关系。

    图  1  本文所提方法的流程图
    Figure  1.  The pipeline of the proposed method

    当采集到新的曲面体层图像后,将新图像划分成S×S个网格并随后输入到训练好的深度网络,会生成多个候选边界框及其对应的目标置信度,以及每个网格的类别置信度。这些候选边界框指出了可能存在下颌阻生智齿牙根与下颌管接触情况的区域,其对应的目标置信度表明边界框包含物体的概率;每个网格的类别置信度给出该网格中下颌阻生智齿牙根与下颌管接触的概率。通过非极大值抑制方法(non-maximum suppression,NMS),可以从所有候选边界框中筛选出包含相接触的下颌阻生智齿牙根与下颌管的最终区域框。将最终边界框的目标置信度乘以其所在网格的类别置信度即可获得该边界框包含的下颌阻生智齿牙根与下颌管相接触的概率值。如得到的概率值大于0.6,则认为下颌阻生智齿牙根与下颌管接触,从而完成分类任务。

    本文使用的单步深度学习网络主要分为Backbone网络、Neck网络和Prediction端3个部分,其结构图如图2所示。

    图  2  本文所用网络结构图
    Figure  2.  The structure of the network used in this paper

    Backbone网络采用Focus模块和CSPDarknet网络[11]的组合。Focus模块可以通过对输入图像进行切片操作后再卷积,在不丢失信息的情况实现下采样。跨阶段局部网络(cross stage partial,CSP)结构利用复制基础层的特征映射图,将基础层的特征映射图分离出来,在减少网络参数数量的同时能有效缓解梯度消失问题[10]。在Darknet中加入CSP模块构成CSPDarknet,可以在降低计算瓶颈的同时有效提高新网络的学习能力。相关参数在表1中列出。

    表  1  Backbone网络涉及的主要参数
    Table  1.  The main parameters of the backbone network
    模块名称 数量卷积核尺寸步长输入尺寸输出尺寸
      Conv1 803⊆32   608⊆608⊆3   304⊆304⊆80
      Conv1 1603⊆32   304⊆304⊆80   152⊆152⊆160
      CSP1_44 160   152⊆152⊆160   152⊆152⊆160
      Conv1 3203⊆32   152⊆152⊆160   76⊆76⊆320
      CSP1_88 320   76⊆76⊆320   76⊆76⊆320
      Conv1 6403⊆32   76⊆76⊆320   38⊆38⊆640
      CSP1_1212 640   38⊆38⊆640   38⊆38⊆640
      Conv112803⊆32   38⊆38⊆640   19⊆19⊆1280
      CSP1_441280   19⊆19⊆1280   19⊆19⊆1280
      SPPF11280   19⊆19⊆1280   19⊆19⊆1280
    下载: 导出CSV 
    | 显示表格

    Neck部分采用了FPN(feature pyramid networks)[12]和PAN(pyramid attention network)[13]的组合结构,如图3所示。其中FPN是自顶向下的结构,将从Backbone网络提取的高层曲面体层图像特征通过上采样,和底层曲面体层图像特征融合得到特征图。虽然能有效增强语义信息,但是对牙根与下颌管的定位信息没有传递。

    图  3  FPN+PAN结构示意图
    Figure  3.  FPN+PAN structure

    针对该缺点,本文网络在FPN结构后面添加一个自底向上的PAN结构,将底层牙根与下颌管的定位信息有效传递到更高层的特征图,达到增强多个尺度上定位能力的目的。利用这种多尺度传递信息的策略,能够增强对不同尺度图像的鲁棒性。

    值得注意的是,Backbone网络与Neck网络部分之间有3条捷径相连接,从而Neck部分可以充分利用从Backbone中提取的不同尺度的特征。而在Prediction端,当3种不同尺度特征从Neck网络传入后,经过卷积操作即可预测出多个候选边界框位置、尺寸大小及其对应的目标置信度,以及每个网格的类别类置信度。

    本方法采用多尺度的输出端,针对大、中、小3种不同尺度的目标生成不同尺度的特征图预测。下采样倍数小的特征感受野小,适合处理小目标;下采样倍数高具有大的感受野,适合检测大目标。

    在训练阶段,本文网络所用的损失函数包括目标置信度损失、分类预测损失和边界框定位损失3部分。其中,目标置信度损失和分类预测损失由常见的二值交叉熵损失函数计算获得;由于传统的IOU(intersection over union)损失函数存在不能反映边界框真实位置与预测位置两者之间的距离大小及对齐方式等缺点,本文采用GIOU(generalized intersection over union)损失函数来计算边界框定位损失,其定义[14]如下:

    $$\begin{aligned} {L}_{\mathrm{G}\mathrm{I}\mathrm{O}\mathrm{U}}=1-\mathrm{G}\mathrm{I}\mathrm{O}\mathrm{U}\qquad \\ \mathrm{G}\mathrm{I}\mathrm{O}{\rm{U}}=\mathrm{ }\mathrm{I}\mathrm{O}\mathrm{U}-|A-B|\mathrm{ }/\mathrm{ }\left|A\right| \end{aligned}\; ,$$ (1)

    其中,IOU值可通过边界框位置真实值与预测值的交集面积除以并集面积获得;A表示两个边界框最小外接矩形的面积,B表示两个边界框并集的面积;LGIOU损失函数,取值范围为[0,2]。

    本文实验所使用的数据集来自江苏省口腔医院。此数据集由1570幅曲面体层片图像及对应CBCT图像组成,其中共有798例样本存在下颌阻生智齿牙根与下颌管相接触情况,1745例样本无下颌阻生智齿牙根与下颌管相接触情况;曲面体层片图像分辨率为2976×1536像素。用于训练的图像数量为1256幅,用于验证的图像数量为157幅,剩余157幅图像被用于测试。

    本文实验所用工作站采用了Intel Xeon E5-2678 v3 2.50 GHz的双核CPU,内存为32 GB,并配置GeForce GTX 1080 Ti GPU显卡1块。以下实验中训练迭代次数设为1200,batch_size设为6;采用Adam优化器,其参数为0.843;使用的激活函数为LeakyRelu;初始设定锚框的长宽为[151,126],[169,122],[153,140],[168,135],[180,130],[176,144],[166,157],[194,139],[191,155];为了适应网络模型对输入图像尺寸要求,将原图像缩放并以在图像边缘填充固定值的方式将图像尺寸调整至608×608,这里的固定值采用了缺省值114;学习率设为0.0032;参数S的取值由网络模型输入数据尺寸、Backbone网络结构以及输出数据尺寸自动计算获得。

    本文通过准确率(accuracy)、灵敏度(sensitivity)、特异度(specificity)和精确度(precision)等指标来评估算法分类性能。表2列出利用人工判读、AlexNet、GoogLeNet、VGG-16、ResNet-50和本文模型方法,针对测试数据集中的曲面体层图像进行预测所得结果对应的准确率、灵敏度、特异度和精确度值。本文的人工判读结果由两组专业口腔颌面临床医生对测试图像数据进行独立评估获得;为了符合临床实际情况,设定测试时临床医生只能通过用于测试的曲面体层图像来判断下颌阻生智齿牙根与下颌管是否接触,没有对应的三维CBCT图像进行辅助判断。

    表  2  本文方法与其他方法及人工判读所得预测结果对应的分类性能评价指标的对比
    Table  2.  The comparison of classification performance for the proposed method, manual diagnosis, and the other models
    方法准确率灵敏度特异度精确度
         人工判读0.8450.7410.8920.759
         AlexNet0.7780.5060.9190.764
         GoogLeNet0.7700.4340.9440.800
         VGG-160.7370.4220.9000.686
         ResNet-500.8310.6630.9190.809
         本文方法0.8810.8190.9130.829
    下载: 导出CSV 
    | 显示表格

    表2可以看出,相对于AlexNet、GoogLeNet和VGG-16模型,由于本文所用网络模型在Backbone部分采用了性能优秀的CSPDarknet主干网络,并在Neck部分采用了FPN和PAN结构进行高效的特征信息传递,故在准确率、灵敏度、特异度和精确度方面具有明显的优势。值得注意的是,本文方法预测结果计算所得的TP(true positive)值(等于68)远高于AlexNet(等于42)、GoogLeNet(等于36)和VGG-16(等于35),阳性样本识别正确率接近82%,而AlexNet、GoogLeNet和VGG-16模型的阳性样本识别正确率仅为50%、43% 和42%,远低于本文方法。另外,AlexNet、GoogLeNet、VGG-16和本文方法所得FN(false negative)值分别为41、47、48和15,可见本文方法将阳性样本误判为阴性的数量远低于这3种模型。由于灵敏度评价指标主要与TP和FN值直接相关,故本文方法预测结果对应的灵敏度值远高于其他3种模型。

    另外,本方法所得结果的准确率等评价指标值也略高于专业临床医生的人工判读结果。例如,在没有对应的CBCT图像进行辅助判断的情况下,临床医生人工判读所得TP值(等于62)低于本文方法(等于68),而其TN(true negative)值(等于143)亦低于本文方法(等于146),使得本文方法所得预测结果的准确率稍高于专业临床医生人工判读结果。本文方法所得预测结果略优于临床医生人工判读的可能原因为:曲面体层图像存在解剖结构相互重叠、缺乏颊舌向信息等固有缺点。因此,即使经验丰富的临床医生在没有对应的CBCT图像进行辅助判断的情况下,仅通过曲面体层图像进行判断会受到解剖结构相互重叠、缺乏颊舌向信息等固有缺点的影响,可能造成个别误判。

    本节还探究了所提方法涉及的概率阈值、训练迭代次数、批大小、优化器参数以及学习率等参数对分类性能评价指标值的影响。表3列出了部分概率阈值对应的分类性能评价指标值。

    表  3  部分概率阈值对应的分类性能评价指标值
    Table  3.  The measurements of classification performance for different thresholds
    概率阈值准确率灵敏度特异度精确度
    0.600.8810.8190.9130.829
    0.650.8810.7950.9250.846
    0.700.8680.7470.9310.849
    0.750.8600.6990.9440.866
    下载: 导出CSV 
    | 显示表格

    表3可以看出:当概率阈值从0.60增加到0.75时,准确度指标值下降2.4%,灵敏度和精确度两项指标值分别上升3.4% 和4.5%;而灵敏度指标值下降了14.7%,其下降幅度远远超过特异度和精确度两项指标值的上升幅度。所以综合考虑,本文将概率阈值设定为0.6。

    使用本文方法时,不同训练迭代次数、批大小、学习率以及优化器参数对应的各分类性能指标值请见表4。由表4可以发现:训练迭代次数取值为1200对应的性能指标全部高于取值为800时;而其灵敏度和精确度指标值稍低于1600次迭代训练,但是其灵敏度性能指标值远高于后者。故综合4个性能指标而言,训练迭代次数取值为1200时能获得最佳预测分类结果。至于批大小、学习率和优化器参数也存在类似情况。只有批大小等于6、学习率等于0.0032、优化器参数β1=0.843且β2=0.999时,对应的全部性能指标均超过0.800;而批大小、学习率和优化器参数其他取值对应的灵敏度性能指标有时甚至低于0.600。综合考虑,认为批大小等于6、学习率等于0.0032、优化器参数β1=0.843且β2=0.999时取得的预测分类结果最佳。

    表  4  使用本文方法时,不同训练迭代次数、批大小、学习率以及优化器参数对应的各分类性能指标值
    Table  4.  The measurements of classification performance for different iterations, epochs, learning rates, and parameters of the optimizer in the proposed method
    参数名称参数取值准确率灵敏度特异度精确度
      训练迭代次数 8000.8770.8070.9130.827
    12000.8810.8190.9130.829
    16000.8350.6140.950.864
      批大小 40.8400.6020.9630.893
    60.8810.8190.9130.829
      学习率 0.00220.8890.7590.9560.900
    0.00320.8810.8190.9130.829
    0.00420.8230.5900.9440.845
      优化器参数β1β2=0.999)0.7430.8680.7230.9440.870
    0.8430.8810.8190.9130.829
    0.9430.8640.7470.9250.838
      优化器参数β2β1=0.843)0.9 0.8560.6750.9500.875
    0.99 0.8680.7590.9250.840
    0.9990.8810.8190.9130.829
    下载: 导出CSV 
    | 显示表格

    为了进一步验证本文方法有效性,下面引入目标检测领域常用的ROC(receiver operating characteristic curve)曲线[15]和PR(precision-recall)曲线[16]以及AUC(area under curve)面积值[14]进行评估。图4比较了AlexNet、GoogLeNet、VGG-16、ResNet-50和本文方法所用模型预测结果的ROC曲线,其中右下角还显示了AUC面积值。

    图  4  使用不同模型获得结果对应ROC曲线的对比
    Figure  4.  The comparison of corresponding ROC curves of the results obtained using the different models

    结果表明,本方法所用网络在所有模型中达到了最高的AUC(0.94);与AlexNet、GoogLeNet、VGG-16和ResNet-50相比,本文网络的AUC分别提高了13.3%、14.6%、22.1% 和4.4%。另外,本文所用网络模型预测出的边界框位置对应的mAP(mean average precision)值等于0.835,表明本文方法能较准确地估计出存在相互接触的下颌阻生智齿牙根与下颌管所在区域位置。

    图5显示了在IOU设为0.5的情况下使用本文方法所得结果对应的PR曲线,其中淡蓝色曲线代表的是下颌阻生智齿牙根与下颌管无接触的PR曲线,其AP(average precision)值为0.885;黄色曲线代表的是下颌阻生智齿牙根与下颌管接触的PR曲线,其AP值为0.785;蓝色曲线代表这两类平均的PR曲线,其mAP值为0.835。可以看出,本文方法在以上两种类别均表现优异,其中在下颌阻生智齿牙根与下颌管无接触类别上表现更优。

    图  5  使用本文方法所得结果对应的PR曲线
    Figure  5.  The PR curves corresponding to the results obtained using the method in this paper

    表5所列为本文所用深度网络与其他用于比较的网络模型参数数量对比,以此进行比较各种网络的计算复杂度。由表5可以看出,本文方法所用网络模型涉及参数量低于VGG-16模型且高于其他模型。

    表  5  本文所用深度网络与其他模型涉及参数数量的对比
    Table  5.  The comparison of the number of parameters used in our network and the others
    网络模型AlexNetGoogLeNetVGG-16ResNet-50本文方法
    参数量/M61.07.0138.425.587.3
    下载: 导出CSV 
    | 显示表格

    图6展示了本文方法的输出结果,其中,图6(a)为单侧下颌阻生智齿牙根与下颌管接触/不接触的情况下利用本文方法获得的结果,图6(b)为双侧下颌阻生智齿牙根与下颌管接触/不接触的情况下利用本文方法获得的结果,图6(c)为双侧下颌阻生智齿牙根与下颌管中一侧接触,另一侧不接触的情况下利用本文方法获得的结果。

    图  6  使用本文方法得到的输出结果
    每一行左侧图像均为原始图像,右侧是本文方法输出结果图。结果图中的棕色字符contact代表下颌阻生智齿牙根与下颌管的位置关系是接触状态,蓝色字符contactless代表两者没有接触;棕色数字是预测为接触的置信度,蓝色数字是预测为不接触的置信度。
    Figure  6.  Demonstration of the output results obtained from the proposed method in this paper

    每一行左侧都是原始输入图像,右侧是本文方法输出的结果图。结果图中的棕色字符contact代表下颌阻生智齿牙根与下颌管的位置关系是接触状态,蓝色字符contactless代表两者没有接触;棕色数字是预测为接触的置信度,蓝色数字是预测为不接触的置信度。可以看到,本文方法准确地判断出下颌阻生智齿牙根与下颌管的位置关系,同时能准确估计出存在下颌阻生智齿牙根与下颌管相接触情况的区域。

    为了进一步测试本文方法的有效性,将测试图像中待检测物体所在区域朝不同方向移动并裁剪后,利用本文已训练模型对补全的图像进行检测,其中,共有32张图像中的待检测物体向右移动,39张图像中的待检测物体向左移动,86张图像中的待检测物体向上移动。

    图7显示了待检测物体所在区域被不同方向移动后图像的部分测试结果。从图7可以看出,虽然待检测物体所在区域朝不同方向发生了移动,但是本文模型仍然能在移动并补全后的图像中准确检测出其所在区域,且模型输出的下颌阻生智齿牙根与下颌管接触的概率值与移动前基本一致。

    图  7  待检测物体所在区域被不同方向移动后图像的部分测试结果
    Figure  7.  Some examples of predicted results, after the regions including the objects to be detected in panoramic images, have been shifted in different directions

    表6列出了所有测试图像中待检测物体所在区域朝不同方向移动前和移动后,本文方法分别获得的预测结果分类性能评价指标平均值。从表6可以看出,待检测物体所在区域朝不同方向移动前后,本文方法的分类性能总体未发生显著变化。图7表6可以证实:即使待检测物体所在区域在不同方向发生移动,本文模型仍然能保持较好的性能。

    表  6  待检测物体所在区域朝不同方向移动前和移动后,本文方法对测试图像所得预测结果的分类性能评价指标对比
    Table  6.  The comparison of classification performance for the predicted results between the cases with or without the regions including the targets shifted in different directions
    方法准确度灵敏度特异度精确度
    移动前0.8810.8190.9130.829
    移动后0.8640.7230.9380.857
    下载: 导出CSV 
    | 显示表格

    为了提高曲面体层图像中下颌阻生智齿牙根与下颌管位置关系的识别精度和效率,本文提出一种基于单步深度卷积神经网络的自动检测方法。该方法对曲面体层图像进行检测时无需任何人工操作,能有效克服临床医生经验差异等主观因素对检测精度的影响。实验结果证明,本文方法能够较准确地判断下颌阻生智齿牙根与下颌管的位置关系,并同时预测出可能存在下颌阻生智齿牙根与下颌管相接触情况的区域。

    本文方法存在检测框过大的问题,在未来工作中,本文作者将对所有1570幅图像数据重新标注检测框,缩小检测框尺寸使之更加聚焦阻生智齿牙根与下颌管接触位置。

  • 图  1   上腹部7组重建图像

    (a)~(g)依次是算法DL-L、DL-M、DL-H、ASIR 30%、ASIR 50%、ASIR 70%、ASIR 90%。

    Figure  1.   7 groups of reconstructed images of upper abdomen

    图  2   上腹部7组重建图像局部放大图

    (a)~(g)依次是算法DL-L、DL-M、DL-H、ASIR 30%、ASIR 50%、ASIR 70%、ASIR 90%。

    Figure  2.   Partial enlarged view of 7 groups of reconstructed images of upper abdomen

    表  1   图像主观评价5级评分标准

    Table  1   5-level scoring standard for subjective image evaluation

    评分评分细节
    5分肝脏、胰腺等上腹部组织结构显示非常清晰,图像细腻,能提供充分的诊断信息
    4分肝脏、胰腺等上腹部组织结构显示较为清晰,图像较细腻,能提供足够的诊断信息
    3分肝脏、胰腺等上腹部组织结构显示欠清晰,图像欠细腻,能提供一定的诊断信息
    2分肝脏、胰腺等上腹部组织结构显示模糊,图像粗糙,图像提供的诊断信息不足
    1分肝脏、胰腺等上腹部组织结构无法清晰显示,伪影重,图像不清,不能提供诊断信息
    下载: 导出CSV

    表  2   七组重建图像的CT值、SD值分析

    Table  2   Analysis of CT value and SD value of seven groups of reconstructed images

    算法CT值/HU SD值/HU
    ROI1ROI2ROI3ROI1ROI2ROI3
    DL-L60.65±8.6444.63±7.4549.43±8.70 14.05±4.2115.38±4.7315.25±5.57
    DL-M61.24±9.6244.33±7.4649.46±8.6711.38±3.2712.81±3.9412.68±4.97
    DL-H60.64±8.4344.33±7.2749.48±8.668.41±2.159.53±3.169.90±4.54
    ASIR 30%60.58±8.8044.50±7.6849.46±8.5517.70±5.2519.34±5.5418.79±6.26
    ASIR 50%60.65±8.8144.29±7.4849.45±8.6014.69±4.3316.14±4.9515.77±5.46
    ASIR 70%60.59±8.9644.32±7.2849.51±8.6611.86±4.4313.07±4.2412.85±4.92
    ASIR 90%60.75±8.7044.29±7.5349.55±8.888.74±2.8310.1±3.5710.27±4.70
    P>0.05>0.05>0.05<0.05<0.05<0.05
    下载: 导出CSV

    表  3   七组重建图像的SNR值、CNR值分析

    Table  3   Analysis of SNR and CNR values of seven groups of reconstructed images

    算法SNR CNR
    ROI1ROI2ROI3 ROI1ROI2
    DL-L4.67±1.533.18±1.053.67±1.30 0.71±0.70-0.41±0.52
    DL-M5.80±1.913.80±1.284.47±1.640.90±0.89-0.53±0.64
    DL-H7.66±2.305.11±1.645.85±2.171.07±1.03-0.70±0.80
    ASIR 30%3.71±1.282.51±0.862.94±1.030.58±0.58-0.33±0.42
    ASIR 50%4.49±1.583.02±1.043.54±1.290.70±0.67-0.42±0.51
    ASIR 70%5.67±2.094.47±1.764.42±1.670.84±0.86-0.22±0.63
    ASIR 90%7.70±2.944.96±1.835.79±2.481.09±1.05-0.72±0.84
    P<0.05<0.05<0.05<0.05>0.05
    下载: 导出CSV

    表  4   图像质量主观评分分析

    Table  4   Image quality subjective scoring analysis

    评分内容 评分者DL-LDL-MDL-HASIR 30%ASIR 50%ASIR 70%ASIR 90%
    质量 Reader 1 4.41±0.594.79±0.414.97±0.163.57±0.683.89±0.684.42±0.574.71±0.45
    Reader 24.30±0.564.84±0.364.96±0.193.53±0.573.87±0.614.36±0.484.75±0.43
    噪声 Reader 12.21±0.571.18±0.391.01±0.113.79±0.413.37±0.562.66±0.551.83±0.50
    Reader 22.18±0.511.11±0.311.05±0.223.91±0.293.18±0.392.36±0.551.68±0.46
    下载: 导出CSV
  • [1] 张卓璐, 王征, 刘卓, 等. 迭代重建算法对冠状动脉Agatston钙化积分的影响[J]. 临床放射学杂志, 2020,39(10): 2093−2097.

    ZHANG Z L, WANG Z, LIU Z, et al. Influence of iterative reconstruction algorithm on coronary artery agatston calcium score[J]. Journal of Clinical Radiology, 2020, 39(10): 2093−2097. (in Chinese).

    [2] 张喜荣, 贺太平, 贾永军, 等. 低辐射剂量下FBP、ASIR和ASIR-V 3种不同重建算法对上腹部CT图像质量的影响[J]. 中国中西医结合影像学杂志, 2020,18(3): 305−308. doi: 10.3969/j.issn.1672-0512.2020.03.027

    ZHANG X R, HE T P, JIA Y J, et al. Effect of three different reconstruction algorithms (FBP, ASIR and ASIR-V) on the upper abdominal CT image quality with low radiation dose[J]. Chinese Imaging Journal of Integrated Traditional and Western Medicine, 2020, 18(3): 305−308. (in Chinese). doi: 10.3969/j.issn.1672-0512.2020.03.027

    [3] 贾永军, 于勇, 贺太平, 等. 新一代基于模型的迭代重建在低剂量上腹部CT中的应用[J]. 中国医学影像技术, 2017,33(12): 1882−1887.

    JIA Y J, YU Y, HE T P, et al. Application of new model-based iterative reconstruction in low-dose upper abdominal CT[J]. Chinese Journal of Medical Imaging Technology, 2017, 33(12): 1882−1887. (in Chinese).

    [4] 陈其锋, 林梓朗, 杨宇凌. 低剂量扫描联合迭代重建CTA在颈部疾病患者中的应用效果及价值研究[J]. 医学理论与实践, 2021,34(7): 1205−1207.
    [5] 姜一, 秦立新, 李宝学, 等. 80kV结合低剂量对比剂和迭代重建在胸部CT增强检查中的运用[J]. 中国医疗设备, 2021,36(3): 102−105. doi: 10.3969/j.issn.1674-1633.2021.03.022

    JIANG Y, QIN L X, LI B X, et al. Application of 80kV Combined with low-dose contrast medium and iterative reconstruction in enhanced chest CT examination[J]. China Medical Devices, 2021, 36(3): 102−105. (in Chinese). doi: 10.3969/j.issn.1674-1633.2021.03.022

    [6]

    FRANCK C, ZHANG G, DEAK P, et al. Preserving image texture while reducing radiation dose with a deep learning image reconstruction algorithm in chest CT: A phantom study[J]. Physica Medica, 2021, 81: 86−93. doi: 10.1016/j.ejmp.2020.12.005

    [7]

    BENZ D C, BENETOS G, RAMPIDIS G, et al. Validation of deep-learning image reconstruction for coronary computed tomography angiography: Impact on noise, image quality and diagnostic accuracy[J]. Journal of Cardiovascular Computed Tomography, 2020, 14(5): 444−451. doi: 10.1016/j.jcct.2020.01.002

    [8]

    PARAKH A, CAO J, PIERCE T T, et al. Sinogram-based deep learning image reconstruction technique in abdominal CT: Image quality considerations[J]. European Radiology, 2021: 1−12.

    [9]

    NJØLSTAD T, SCHULZ A, GODT J C, et al. Improved image quality in abdominal computed tomography reconstructed with a novel deep learning image reconstruction technique: Initial clinical experience[J]. Acta Radiologica Open, 2021, 10(4): 20584601211008391.

    [10] 贾秀川, 陈英敏, 暴云锋, 等. 双源CT小肠造影双能量虚拟平扫与常规平扫对比研究[J]. 中国医疗设备, 2021,36(1): 87−89, 93. doi: 10.3969/j.issn.1674-1633.2021.01.018

    JIA X C, CHEN Y M, BAO Y F, et al. Comparative study of virtual and conventional non-contrast CT enterography using dual-source and energy CT[J]. China Medical Devices, 2021, 36(1): 87−89, 93. (in Chinese). doi: 10.3969/j.issn.1674-1633.2021.01.018

    [11] 曾文, 曾令明, 徐旭, 等. 基于深度学习的图像重建算法在胸部薄层CT中的降噪效果评估[J]. 四川大学学报(医学版), 2021,52(2): 286−292.

    ZENG W, ZENG L M, XU X, et al. Noise reduction effect of deep-learning-based image reconstruction algorithms in thin-section chest CT[J]. Journal of Sichuan University (Medical Sciences), 2021, 52(2): 286−292. (in Chinese).

    [12]

    SILVA A C, LAWDER H J, HARA A, et al. Innovations in CT dose reduction strategy: Application of the adaptive statistical iterative reconstruction algorithm[J]. American Journal of Roentgenology, 2010, 194(1): 191−199. doi: 10.2214/AJR.09.2953

    [13]

    JENSEN C T, WAGNER-BARTAK N A, VU L N, et al. Detection of colorectal hepatic metastases is superior at standard radiation dose CT versus reduced dose CT[J]. Radiology, 2019, 290(2): 400−409. doi: 10.1148/radiol.2018181657

    [14]

    LI L L, WANG H, SONG J, et al. A feasibility study of realizing low-dose abdominal CT using deep learning image reconstruction algorithm[J]. Journal of X-ray Science and Technology, 2021, 29(2): 361−372. doi: 10.3233/XST-200826

    [15] 孙记航, 王帆宁, 段晓岷, 等. 自适应迭代重建技术结合高分辨算法提高儿童低剂量胸部CT肺脏病变显示的能力[J]. 中国医学影像技术, 2017,33(5): 773−777.

    SUN J H, WANG F N, DUAN X M, et al. Improve image resolution in low-dose pediatric chest CT scans with combination of adaptive statistical iterative reconstruction and sharp recon kernel[J]. Chinese Journal of Medical Imaging Technology, 2017, 33(5): 773−777. (in Chinese).

    [16]

    HATA A, YANAGAWA M, YOSHIDA Y, et al. The image quality of deep-learning image reconstruction of chest CT images on a mediastinal window setting[J]. Clinical Radiology, 2021, 76(2): 155.e15−155.e23. doi: 10.1016/j.crad.2020.10.011

    [17]

    SINGH R, DIGUMARTHY S R, MUSE V V, et al. Image quality and lesion detection on deep learning reconstruction and iterative reconstruction of submillisievert chest and abdominal CT[J]. American Journal of Roentgenology, 2020, 214(3): 566−573. doi: 10.2214/AJR.19.21809

    [18]

    HIGAKI T, NAKAMURA Y, ZHOU J, et al. Deep learning reconstruction at CT: Phantom study of the image characteristics[J]. Academic radiology, 2020, 27(1): 82−87. doi: 10.1016/j.acra.2019.09.008

    [19]

    KIM J H, YOON H J, LEE E, et al. Validation of deep-learning image reconstruction for low-dose chest computed tomography scan: Emphasis on image quality and noise[J]. Korean Journal of Radiology, 2021, 22(1): 131. doi: 10.3348/kjr.2020.0116

    [20]

    NODA Y, KAGA T, KAWAI N, et al. Low-dose whole-body CT using deep learning image reconstruction: Image quality and lesion detection[J]. The British Journal of Radiology, 2021, 94: 20201329. doi: 10.1259/bjr.20201329

    [21]

    NAM J G, HONG J H, KIM D S, et al. Deep learning reconstruction for contrast-enhanced CT of the upper abdomen: Similar image quality with lower radiation dose in direct comparison with iterative reconstruction[J]. European Radiology, 2021, 31(8): 5533−5543. doi: 10.1007/s00330-021-07712-4

    [22]

    CHENG Y, HAN Y, LI J, et al. Low-dose CT urography using deep learning image reconstruction: A prospective study for comparison with conventional CT urography[J]. The British Journal of Radiology, 2021, 94(1120): 20201291. doi: 10.1259/bjr.20201291

图(2)  /  表(4)
计量
  • 文章访问数:  473
  • HTML全文浏览量:  322
  • PDF下载量:  79
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-09-25
  • 录用日期:  2021-11-11
  • 网络出版日期:  2021-11-16
  • 发布日期:  2022-05-22

目录

/

返回文章
返回
x 关闭 永久关闭