Clinical Value of Spectral Imaging Combined with MAR for CTA after Embolization of Intracranial Aneurysms
-
摘要:
目的：评价颅内动脉瘤栓塞术后能谱CTA联合去金属伪影技术（MAR）的应用价值。方法：收集37例颅内动脉瘤栓塞术后需行能谱头颈CTA检查患者的CT原始数据，分别重建出70～140 keV单能级图像、120 kVp-like混合能量图像及70～140 keV MAR处理图像和120kVp-like MAR图像；感兴趣区（ROI）放置在伪影最严重层面的线圈附近，测量CT值及标准差（SD），计算伪影指数（AI）及信噪比（SNR）；在主观分析方面，由两名诊断医生采用Likert 5分量表法对所有图像的伪影程度和血管显示能力进行评估；比较MAR组和非MAR组图像的主观评分和客观参数。采用Wilcoxon秩和检验、配对样本t检验及独立样本t检验比较各组图像之间的差异。结果：8组单能量图像上，MAR图像的AI明显低于非MAR图像；在80～110 keV条件下，MAR图像SNR高于非MAR组，差异具有统计学意义；相同keV下，与非MAR组相比，MAR组图像的伪影评分及周围血管显示主观评分得分均更高。对于非MAR处理图像，AI值与周围血管显示评分在植入不同直径弹簧圈的患者图像上没有统计学差；对于MAR图像，较大直径弹簧圈组（>8.79 mm）患者图像的AI值明显高于常规直径组，而周围血管显示主观评分明显低于常规直径组。结论：能谱CTA成像联合MAR可有效减少颅内动脉瘤栓塞植入物伪影，改善周围血管显示，对于小直径的弹簧圈MAR减少伪影效果最为显著。
Abstract:Objective: To evaluate the application value of combining spectral imaging and metal artifact reduction (MAR) in head and neck CTA after the embolization of intracranial aneurysms. Methods: We collected 37 patients who experienced embolization of intracranial aneurysms then received spectral imaging of head and neck CTA. Monochromatic images with energy ranging from 70～140 keV, 120 kVp-like mixed energic images, 70～140 keV MAR images, and 120 kVp-like MAR images were generated. The region of interest was placed on the area near the coil and with the most serious metal artifact. CT attenuation and standard deviation were measured, and artifact index (AI) and signal-noise ratio (SNR) were calculated. Two radiologists independently subjectively evaluated the metal artifact and the display of surrounding vessels using Likert 5 scales. The subjective scores and objective parameters between MAR and non-MAR images were compared. The Wilcoxon ranking test, paired sample t test, and independent sample t test were utilized to compare parameters between the groups. Results: MAR images had significantly lower AI than did non-MAR images for all eight monochromatic energies. When energies ranged from 80~110 keV, SNR was higher for MAR images than for non-MAR images, and the difference was statistically significant. With same energies, MAR images had higher artifact and vessel display scores than did non-MAR images. For non-MAR images, the different coil diameters did not make a statistical difference in AI and vessel display scores. For MAR images, a larger coil diameter (>8.79 mm) led to higher AI and lower vessel display scores than did normal diameters (≤8.79 mm). Conclusion: The combination of spectral imaging and MAR could effectively reduce the metal artifact of implants for the embolization of intracranial aneurysms and improve the surrounding vessel display. Moreover, the metal artifact reduction effect was more significant for the coils with smaller diameters.
-
近些年，机器学习方法特别是深度学习方法在地震学中的应用愈发广泛。深度学习方法在地震数据处理中表现出了接近人工分析的精度，并且处理效率高于人工处理[1-2]。典型的应用包括地震震相拾取[3-8]、地震检测[9-10]、P波初动分析[11-14]、震源参数分析[15-16]、地震波形去噪[17-20]、震相关联[21-24]、地震定位[25-30]和地震分类[31-34]等。
目前地震学中多数神经网络模型着眼于单一任务，比如用于震相拾取的神经网络模型以地震波形为输入并以P、S震相作为输出。在一些研究中，尝试将更多信息作为输入，比如Münchmeyer等[35]尝试将地震定位和震级估计同时进行处理，SeisCLIP[36]尝试将震相到时、震中距、方位角等信息输入到神经网络中，并构建了一个能够处理更多信息的神经网络模型。
2023年，中国地震台网中心发布了CSNCD数据集[37]，其中包含了超过
4500 万条人工标注震相到时、震相初动、地震类型、地震震级等信息。在此基础上，我们构建一个用于单台数据分析的双向神经网络预训练模型，称为先导数据大模型。作为预训练模型，我们加入了Pg、Sg、Pn、Sn 4种震相、P波初动方向、地震类型和原始波形4种输出，其中原始波形输出为自监督训练，其他为监督训练。测试表明，我们的模型不仅可以完成常规的Pg、Sg、Pn震相检测、P波初动方向判定和事件类型判断工作，还可以通过迁移学习将模型用于其他波形数据分析工作中。
1. 预训练模型和迁移学习方法简介
通过大量数据训练供不同机器学习任务使用的模型称为预训练模型，目前广泛使用的预训练模型包括单向模型和双向模型。其中单向模型以GPT系列为代表，在处理数据中通常只考虑前文，其通常用于文本生成、文本图像音频生成等多模态工作中。双向模型则以BERT系列为代表，其在处理文本过程中会考虑前后文数据。生成式模型在目前可训练参数数量已经可以达到千亿量级，在文本处理中表现出了良好的性能。SeisCLIP使用生成式模型来处理多台地震频谱并生成所需信息。但是地震学研究中通常需要对原始波形进行分析并从中提取更加准确的信息，在此需求中双向模型通常能够获得更高的精度[38]。
迁移学习指的是通过海量数据训练后的模型在处理其他任务中可以通过少量样本训练即可迁移至新的工作中。迁移学习目前在图像处理、文本处理中均表现出良好的性能。地震学数据分析中需要处理大量的数据，而分析数据的需求各不相同。如果针对每个需求训练深度学习模型，那么在每个场景中都需要海量的人工标注数据，但是在诸如滑坡微震等场景人工标注数据是偏少的。因此，在地震学中同样有研究者使用迁移学习方法以减少对训练数据量的需求。
研究表明，由于预训练模型使用海量数据进行训练，在只使用少量数据进行迁移学习后，神经网络模型在新的场景中表现出良好的效果，比如地震事件分类和远震震相检测。
2. 训练数据
预模型训练需要海量的各种类型数据。因此，我们使用中国地震台网中心的CSNCD数据集来对模型进行训练。CSNCD数据集是一个大规模的全球地震信号标记数据集，其特点在于覆盖了多样化的地理区域和各种地质环境下的地震事件。我们使用的事件和台站如图1所示，这些事件包含了丰富的震相类型和大量的初动数量。
![]()
图 1 使用的台站（蓝色三角形）和事件（红色点）的分布Figure 1. Distribution of stations (blue triangles) and events (red points)除此之外，这些数据还覆盖了从 − 2.0到9.0级不同震级的地震事件。数据集中还包含的广泛的信噪比（SNR）范围，这一特点使得模型能够在不同质量的数据上进行有效的学习，从而提高模型的适应性和泛化能力。
CSNCD数据集的多样性和复杂性为先导数据大模型提供了坚实的基础。
3. 模型结构
在处理更多地震波波形信息时需要较大的模型容量，即需要更多可训练参数。因此我们在构建神经网络过程中以Tansformer模型为核心，同时为了处理波形输入和输出，我们加入卷积神网络，具体网络结构如图2所示。
因为地震波形数据中包含较多高频信息，因此我们使用卷积神经网络构建编码器来处理原始波形，得到波形特征。但波形特征中缺少位置相关的信息，为此我们加入双向循环神经网络构建的位置编码器来对特征位置信息进行编码。在此之上我们加入多层双向Transformer，这可以综合考虑全部波形的特征，并输出特征向量。由于所得特征需要输出事件类型等信息，我们加入了多任务编码（Task ID），这可以提供额外特征供后续分析。
4. 先导大模型的应用
4.1 震相检测和P波初动检测
目前大多数地震学震相检测神经网络模型只能检测Pg和Sg震相，如PhaseNet和EQTransformer等[3-8]。除了Pg、Sg震相拾取模型外，一些研究者还构建了其他的地震学神经网络模型。例如，Yuan等[39]提出的远震震相拾取方案，可以检测PcP震相和PKiKP震相；Ding等[40]构建的PmPNet可以检测PmP震相；Ross等[11]和Zhao等[14]分别构建了用于确定P波初动极性的神经网络模型。
基于CSNCD数据的特点，我们构建的先导大模型通过多个解码器同时实现了震相检测和P波初动检测工作。而且在震相检测方面，不仅可以检测常规的Pg和Sg震相，还可以检测传统上认为难以检测的Pn和Sn震相。图3展示了一个模型震相检测的一个例子。
![]()
图 3 模型拾取结果示例，实线为人工标注震相到时，虚线为模型预测震相到时Figure 3. A example of picks in the test dataset. The solid vertical lines represent the arrival times of phases picked by analysts. The dashed lines represent the probability distributions of phases predicted by the model4.2 迁移学习应用
我们分别使用内蒙地区数据和远震数据测试模型的迁移学习能力。其中，内蒙地区的数据用于事件分类测试，在预训练过程中也有不同事件类型的标签，但是由于预训练中样本极度不均衡（天然地震占比99.5%），这使得原始的预训练模型对事件类型的预测均为天然地震，因此需要进行迁移学习。
事件分类测试数量总计419个，其中251个地震事件用于训练，168个地震事件用于测试。主要包含3种事件类型：天然地震（EQ，103个事件），爆破（EP，244个事件）和塌陷（SS，72个事件）。在经过迁移学习后，模型的分类准确度达到了92.2%（图4）。
我们整理全球的远震数据，挑选
1000 条样本进行远震迁移学习训练和测试。测试中，原始的预训练模型的查准率较高，但查全率偏低，这代表大量样本未被检测到，这说明远震波形特征和近震特征之间存在差异。经过迁移学习后，模型对远震的检测精度明显提高，查准率由原来的0.270提高到了0.708。5. 结论
先导数据大模型在地震学中具有广泛的应用前景，通过利用先导数据大模型，地震台站可以实时处理和分析地震波形数据，快速识别地震事件、震相和初动方向，这可以显著提高地震监测的效率和准确性，尤其在地震多发地区和紧急情况下，能够提供更及时的预警信息。此外，先导数据大模型可以通过迁移学习，适应不同地理区域和不同类型的地震数据。这样可以减少数据集的依赖和节约训练时间成本，实现在不同的地区和任务中快速部署。
先导数据大模型在地震监测、预警、科学研究和数据管理等方面具有重要的应用前景，能够显著提升地震数据处理的自动化和智能化水平，为地震学的发展和地震灾害的防范提供有力支持。
感兴趣的专家读者可以通过数据大模型网址https://github.com/cangyeone/seismological-ai-tools来更好的了解和使用模型。
-
![]()
图 1 典型病例。女，49岁，左侧颈内动脉瘤术后
（a）和（b）为120 kVp-like非MAR图像（血管窗），显示弹簧圈周围伪影较重，无法准确判定弹簧圈与邻近血管的关系；（c）和（d）为120 kVp-like MAR图像（血管窗），弹簧圈周围伪影明显减轻，可清晰显示弹簧圈及周围血管；（e）为120 kVp-like联合MAR血管曲面重组图像，清晰显示后交通动脉起始部的弹簧圈，邻近血管未见明显狭窄及瘤样扩张。
Figure 1. Scheme diagram of a representative case. Female, 49 years old, after surgery for left internal carotid aneurysm
表 1 MAR图像与非MAR图像的伪影指数与信噪比比较
Table 1 Comparison of artifact index and signal to noise ratio between MAR and non-MAR images
电压 AI P SNR P MAR组 非MAR组 MAR组 非MAR组 70 keV 49.67±67.19 112.04±53.18 0.014 −2.74±2.27 −4.20±3.13 0.164 80 keV 45.91±67.05 100.32±52.39 0.012 −2.91±2.64 −4.82±3.90 0.009 90 keV 41.91±61.17 96.48±47.02 0.009 −3.08±2.85 −4.57±2.93 0.011 100 keV 36.97±51.77 93.45±44.13 0.014 −3.21±3.04 −4.70±3.10 0.034 110 keV 36.45±52.85 94.59±47.65 0.016 −3.26±3.16 −4.56±3.06 0.044 120 keV 36.22±53.74 93.46±48.67 0.017 −3.24±3.20 −4.61±3.25 0.050 130 keV 36.01±54.51 92.14±49.39 0.017 −3.26±3.27 −4.69±3.44 0.050 140 keV 35.96±55.17 91.30±50.16 0.018 −3.25±3.28 −4.76±3.63 0.055 120 kVp-like 47.20±70.50 110.10±55.9 0.015 −3.19±2.40 −4.51±3.63 0.059 注：MAR为去金属伪影；AI为伪影指数；SNR为信噪比。 
下载: 导出CSV
表 2 植入不同直径弹簧圈的患者CT图像质量比较
Table 2 Image quality comparison among CT images of patients implanted with coils of different diameters
参数 组别 P A组（≤8.79 mm） B组（>8.79 mm） AI（MAR） 22.72±16.02 79.91±108.18 0.011 AI（非MAR） 108.88±43.15 111.84±81.17 0.195 SNR（MAR） -2.00±2.32 -4.79±1.57 0.124 SNR（非MAR） -2.62±1.25 -7.04±4.54 0.068 伪影评分（MAR） 4.40±0.23 3.70±0.53 0.093 伪影评分（非MAR） 3.28±0.10 3.10±0.10 0.830 周围血管显示（MAR） 4.55±0.17 3.43±0.58 0.032 周围血管显示（非MAR） 3.25±0.37 3.10±0.10 0.131 注：MAR为去金属伪影；AI为伪影指数；SNR为信噪比。
下载: 导出CSV
表 3 MAR图像与非MAR图像的主观图像质量评分比较
Table 3 Comparison of subjective image quality scores between MAR and non-MAR images
电压 伪影评分 P 周围血管显示评分 P MAR组 非MAR组 MAR组 非MAR组 70 keV 3.76±0.53 3.01±0.34 0.009 3.87±0.64 3.03±0.76 0.009 80 keV 3.90±0.53 3.13±0.10 0.005 3.93±0.60 3.11±0.22 0.007 90 keV 4.07±0.48 3.24±0.15 0.001 4.04±0.67 3.19±0.28 0.009 100 keV 4.20±0.51 3.32±0.18 0.001 4.10±0.71 3.24±0.31 0.011 110 keV 4.33±0.46 3.43±0.15 <0.001 4.06±0.66 3.23±0.31 0.010 120 keV 4.43±0.46 3.50±0.16 <0.001 3.97±0.62 3.19±0.24 0.014 130 keV 4.47±0.41 3.61±0.16 <0.001 3.88±0.56 3.17±0.21 0.010 140 keV 4.54±0.42 3.67±0.14 <0.001 3.77±0.51 3.10±0.15 0.008 120 kVp-like 4.10±0.51 3.20±0.13 0.001 4.10±0.70 3.19±0.28 0.011 注：MAR为去金属伪影。
下载: 导出CSV
-
[1] GOERTZ L, LIEBIG T, PENNIG L, et al. Propensity score-adjusted analysis on stent-assisted coiling versus coiling alone for ruptured intracranial aneurysms[J]. Scientific Reports, 2021, 11(1): 21742. doi: 10.1038/s41598-021-01156-y
[2] YU A Y, ZERNA C, ASSIS Z, et al. Multiphase CT angiography increases detection of anterior circulation intracranial occlusion[J]. Neurology, 2016, 87(6): 609−616.
[3] 李杰, 袁源, 陈永明, 等. MAR技术去除脊柱金属物伪影的临床应用研究[J]. 临床放射学杂志, 2020,39(6): 1180−1184. LI J, YUAN Y, CHEN Y M, et al. Clinical application of MAR technique in removing metal artifacts in the spine[J]. Journal of Clinical Radiology, 2020, 39(6): 1180−1184. (in Chinese).
[4] YU L, PRIMAK A N, LIU X, et al. Image quality optimization and evaluation of linearly mixed images in dual-source, dual-energy CT[J]. Medical Physics, 2009, 36(3): 1019−1024. doi: 10.1118/1.3077921
[5] de MAN B, NUYTS J, DUPONT P, et al. Metal streak artifacts in X-ray computed tomography: A simulation study[J]. IEEE Transactions on Nuclear Science, 1999, 46(3): 691−696. doi: 10.1109/23.775600
[6] MAMOURIAN A C, PLUTA D J, ESKEY C J, et al. Optimizing computed tomography to reduce artifacts from titanium aneurysm clips: An in vitro study[J]. Journal of Neurosurgery, 2007, 107(6): 1238−1243. doi: 10.3171/JNS-07/12/1238
[7] HOSOI R, YASAKA K, MIZUKI M, et al. Deep learning reconstruction with single-energy metal artifact reduction in pelvic computed tomography for patients with metal hip prostheses[J]. Japanese Journal of Radiology, 2023, 41: 863−871.
[8] YAZDI M, GINGRAS L, BEAULIEU L. An adaptive approach to metal artifact reduction in helical computed tomography for radiation therapy treatment planning: Experimental and clinical studies[J]. International Journal of Radiation Oncology Biology Physics, 2005, 62(4): 1224−1231. doi: 10.1016/j.ijrobp.2005.02.052
[9] ANDERSSON K M, NOWIK P, PERSLIDEN J, et al. Metal artefact reduction in CT imaging of hip prostheses: An evaluation of commercial techniques provided by four vendors[J]. British Journal of Radiology, 2015, 88(1052): 20140473. doi: 10.1259/bjr.20140473
[10] MELLANDER H, FRANSSON V, YDSTROM K, et al. Metal artifact reduction by virtual monoenergetic reconstructions from spectral brain CT[J]. European Journal of Radiology Open, 2023, 10: 100479. doi: 10.1016/j.ejro.2023.100479
[11] ZOPFS D, LENNARTZ S, PENNIG L, et al. Virtual monoenergetic images and post-processing algorithms effectively reduce CT artifacts from intracranial aneurysm treatment[J]. Scientific Reports, 2020, 10(1): 1−10. doi: 10.1038/s41598-019-56847-4
[12] WINKLHOFER S, HINZPETER R, STOCKER D, et al. Combining monoenergetic extrapolations from dual-energy CT with iterative reconstructions: Reduction of coil and clip artifacts from intracranial aneurysm therapy[J]. Neuroradiology, 2018, 60(3): 281−291. doi: 10.1007/s00234-018-1981-9
[13] 李杰, 袁源, 王春杰, 等. 能谱CT去金属伪影(MAR)技术用于减低单髋关节置换物伪影[J]. 中国医学影像技术, 2021,37(1): 131−135. LI J, YUAN Y, WANG C J, et al. Energy spectrum CT metal artifacts reduction (MAR) for reducing artifacts of unilateral hip arthroplasty[J]. Chinese Medical Imaging Technology, 2021, 37(1): 131−135. (in Chinese).
[14] 付雨菲, 王弘, 邱晓明, 等. 双能量CT单能谱成像技术在颅内动脉瘤夹闭术后的应用[J]. 临床放射学杂志, 2015,5(34): 813−817. FU Y F, WANG H, QIU X M, et al. Application of dual energy monoenergetic CT technique in the evaluation of clipped intracranial aneurysms[J]. Journal of Clinical Radiology, 2015, 5(34): 813−817. (in Chinese).
[15] PESSIS E, CAMPAGNA R, SVERZUT J M, et al. Virtual monochromatic spectral imaging with fast kilovoltage switching: Reduction of metal artifacts at CT[J]. Radiographics, 2013, 33(2): 573−583. doi: 10.1148/rg.332125124
[16] FERNANDEZ D M, ARMENTIA E S, FIORE A B, et al. The utility of dual-energy CT for metal artifact reduction from intracranial clipping and coiling[J]. Radiologia, 2018, 60(4): 312−319. doi: 10.1016/j.rx.2018.02.009
[17] 赵艳娥, 宁辉, 郑玲, 等. 双能量CT虚拟单能谱成像技术在脑动脉瘤夹闭术后评估中的应用[J]. 放射学实践, 2014,(9): 988−992. ZHAO Y E, NING H, ZHENG L, et al. The application of monoenergetic imaging in postoperative evaluation of the patients with intracranial aneurysm clipping using dual energy CT angiography[J]. Radiology Practice, 2014, (9): 988−992. (in Chinese).
[18] 潘雪琳, 李真林, 程巍, 等. 双源CT单能谱成像技术减低颅内动脉瘤夹伪影的研究[J]. 放射学实践, 2013,28(12): 1212−1215. PAN X L, LI Z L, CHENG W, et al. Optimal monoenergetic imaging for reducing titanium clip metal artifacts in dual-energy computed tomography angiography[J]. Radiology Practice, 2013, 28(12): 1212−1215. (in Chinese).
[19] 宁志光, 马国峰, 于远, 等. 宽体探测器CT多物质伪影降低技术对CT扫描图像质量的影响[J]. 中华放射学杂志, 2017, 51(10): 790-793. NING Z G, MA G F, YU Y, et al. The effect of a multi-material artifact reduction algorithm in a wide-detector CT system to reduce the beam hardening artifacts in CT imaging[J], Chinese Journal of Radiology, 2017, 51(10): 790-793. (in Chinese).
[20] DEBASHISH P, SHUQIN D, KAREN P, et al. Smart metal artifact reduction[J]. White Paper, GE Healthcare, 2016.
[21] ZHENG H, YANG M, JIA Y, et al. A novel subtraction method to reduce metal artifacts of cerebral aneurysm embolism coils[J]. Clinical Neuroradiology, 2022, 32(3): 687-694.
[22] ZHANG X, WANG J, XING L. Metal artifact reduction in X-ray computed tomography (CT) by constrained optimizatio[J]. Medical Physics, 2011, 38(2): 701−711. doi: 10.1118/1.3533711
[23] BAL M, SPIES L. Metal artifact reduction in CT using tissue-class modeling and adaptive prefiltering[J]. Medical Physics, 2006, 33(8): 2852−2859. doi: 10.1118/1.2218062
[24] WELLENBERG R, HAKVOORT E, SLUMP C, et al. Metal artifact reduction techniques in musculoskeletal CT-imaging[J]. European Journal of Radiology, 2018, 107: 60−69. doi: 10.1016/j.ejrad.2018.08.010
计量
- 文章访问数: 169
- HTML全文浏览量: 54
- PDF下载量: 18
