上海市东方医院核医学科联合影动医疗利用深度神经网络对超快速SPECT/CT成像进行增强,并从临床实践角度对增强后的图像进行定量评估。本研究验证了基于深度学习的方法能够在仅用1/7扫描时间的情况下生成高质量SPECT骨定量影像,并达到和标准SPECT成像高度一致的水平,在实际临床应用中具有很大的价值。相关研究成果发表于国际权威期刊《EJNMMI Physics》。论文的第一作者为影动医疗的潘博洋,上海市东方医院的祁纳医生和孟庆元技师,通讯作者为清华国际创新中心的龚南杰博士和上海市东方医院的赵军主任。
研究背景
单光子发射计算机断层扫描(SPECT)与CT检查(合称SPECT/CT)结合了SPECT图像的分子水平功能和CT图像的精确解剖细节的优势。其已被证明在骨骼病变诊断中具有强大的功能,被广泛用于骨肿瘤转移的检测。但该检查面临检查时间长,辐射损伤大的问题。先前的研究已提出不少基于硬件改进的方法来提高图像质量,但往往会增加扫描时间或注射剂量。本研究旨在通过深度学习技术,从算法层面缩短临床检查时间,并减少辐射剂量。从SPECT成像技术原理出发,减少辐射剂量和缩短扫描时间具有相同的物理本质,后者同时有助于提高患者在SPECT/CT检查中的体验,减少运动伪影。然而,缩短扫描时间也意味着图像面临更高的噪声噪声水平、更低的图像质量和并存在失去诊断价值的风险。
本研究收集了多组匿名的SPECT/CT图像,基于深度学习方法,对降低扫描时间获取的图像进行增强,并对增强后的图像质量进行定量评估。
研究具有以下创新点:
(1)使用临床SPECT图像,而非此前大量研究中使用的模拟数据;
(2)将SPECT图像与相应的CT进行结合,使得生成图像具有更准确的解剖细节;
(3)在超高速SPECT(正常检查的1/7扫描时间)上研究深度学习方法的可靠性;
(4)在真实的临床数据和体模数据中进一步评估了所提出的研究方法。
实验设计
受试者在上海市东方医院注射25-30 mCi(925-1110MBq)的99mTc-MDP后使用西门子Symbia Intevo TT16扫描仪接受全身骨断层检查,分别采集标准时长下的断层显像和1/7采集时长下的快速SPECT图像。本研究共收集20组匹配的超高速与标准SPECT/CT图像用于进一步研究。SPECT扫描能够提供临床诊断信息但牺牲了患者的生理解剖结构,而解剖学特征可以由相应的CT图像进行补充。因此,本研究将1/7 SPECT图像与CT图像结合作为输入,将标准SPECT作为输出,构建一神经网络用于增强快速采集的SPECT。
多重评估
量化评估:采用峰值信噪比PSNR和图像相似度指标SSIM作为评估指标。
临床评估:两位医师独立地从总体图像质量、图像信号细节、是否存在伪影和总体诊断信心等方面按照五分制方法对1/7 SPECT、合成的SPECT和标准SPECT进行评分(1分代表最糟糕,5分代表最好)。
体模研究:将一半的体模图像用于模型训练,另外一半用于测试。分别计算1/7 SPECT与合成的SPECT的PSNR与SSIM。
研究结果
1、不同网络比较
将提出的网络模型与四个广泛使用的深度学习架构进行了比较,不同方法在一个测试案例中的可视化结果如图2所示。
图2:从1/7 SPECT合成标准SPECT的不同方法的视觉结果
将区域进行放大后呈现更清晰更直观的可视化结果,用于更好地比较,如图3所示。
图3:放大后视觉结果
图4提供了不同方法与标准SPECT之间的图像差异的轴向试图。
图4:1/7 SPECT、合成方法和标准SPECT的图像质量的临床评估结果
研究结果发现,在使用了深度学习算法处理后,1/7 SPECT图像中显示的胸部区域的噪声已被成功去除。同时,CT图像的辅助输入提供了清晰的解剖学特征,让合成的标准SPECT图像边界清晰,最终提供了来自不同尺度的丰富的背景信息,改善了解剖结果的细节。
2、临床评估
1/7 SPECT、合成的SPECT和标准SPECT方法的评估结果显示,在paired-t检验下,合成的SPECT显著优于1/7 SPECT(P<0.05)。与标准SPECT相比,深度学习增强图像取得了相同的一般图像质量(P>0.999),相近99mTc-MDP的信号细节(P=0.0510),相同的伪影分布(P=0.3434)和并带给临床医生相同的诊断信心(P=0.1265)。
3、体模研究
结果显示(图5),在1/7SPECT上,只能识别出4个球体,而在合成图像和标准图像中,可以分别分辨出5-6个球体。
图5:不同方法产生幻影图像的可视化结果
同时,根据SSIM和PSNR数据显示(表2),合成SPCET的结果都优于1/7 SPECT。
表2:不同方法的平均SSIM和PSNR比较
讨论与展望
该研究在临床上使用所提出的深度学习方法增强了1/7扫描时间的SPECT/CT图像的效果。结果显示,一个无法诊断的SPECT图像可以通过深度学习方法进行增强,在视觉效果上与标准SPECT相当。定量结果显示,合成的SPECT图像的PSNR和SSIM远远好于原始的1/7时间SPECT,与其他先进的深度学习方法相比,所提出的方法达到了最佳性能。临床评估显示,合成的SPECT图像的临床价值远远优于低剂量SPECT图像,与标准SPECT图像相当。
尽管研究仍有一定的局限性,但研究综合结果表明,所提出的方法在噪声水平、解剖结构清晰度和SUV准确性方面都能产生明显的图像质量改善,从而能够在实际的临床环境中应用,带来更高效、更优质、更安全的医学影像诊断。