中国中西医结合影像学杂志   2020, Vol. 18 Issue (3): 224-231, 226
0
辐射剂量对基于深度学习的计算机辅助诊断系统肺结节测量准确性的影响[PDF全文]
贾永军1,2 , 于楠1,2 , 段海峰1,2 , 杨创勃1,2 , 张喜荣1,2 , 贺太平1,2 , 潘宁3 , 于勇1,2
1. 陕西中医药大学附属医院医学影像科,陕西 咸阳 712000;
2. 陕西中医药大学,陕西 咸阳 712000;
3. 北京推想科技有限公司,北京 100025
摘要目的: 通过胸部仿真体模实验,分析不同辐射剂量对基于深度学习的计算机辅助诊断系统(DL-CAD)测量肺结节长径及三维容积准确性的影响。方法: 使用MSCT扫描含有8个不同直径(5、8、10、12 mm)和密度(实性、磨玻璃)的球形肺结节的成年男性仿真胸部体模。扫描参数:120 kV,噪声指数14,通过调整前置自适应统计迭代重建技术(pre-ASIR-V)的权重比例(0、40%、80%、100%)调整管电流。采用0、40%、80%比例的混合迭代算法(ASIR-V)重建12组薄层CT图像。应用DL-CAD测量体模内各个结节的长径和三维容积,比较不同辐射剂量条件下肺结节长径、三维容积测量的绝对百分误差(APEd、APEv)。采用单因素方差分析及LSD-t检验比较0、40%、80%、100%! pre-ASIR-V扫描条件的APEd和APEv。结果: 4次CT扫描的有效辐射剂量分别为9.68、3.78、0.82、0.23 mSv。随辐射剂量降低,肺结节的APEd和APEv逐渐增大(F=4.906,P=0.003;F=5.612,P=0.001),100% pre-ASIR-V的APEd和APEv显著大于其他扫描条件(均P<0.05),其余各辐射剂量条件下两两比较差异均无统计学意义(均P>0.05)。结论: DL-CAD测量肺结节长径及三维容积的准确性与辐射剂量相关,低辐射剂量可显著降低测量准确性。
关键词辐射剂量    肺结节;深度学习    体层摄影术,X线计算机    
Impact of radiation dose on the measurement accuracy of nodule volume and long diameter using deep learning-based
JIA Yongjun , YU Nan , DUAN Haifeng , YANG Chuangbo , ZHANG Xirong , HE Taiping , PAN Ning , YU Yong
Department of Medical Imaging of Affiliated Hospital of Shaanxi Chinese Medicine University, Shaanxi Chinese
Abstract: Objective: To investigate the impact of radiation dose on the measurement accuracy of nodule volume and long diameter with a deep learning-based computer aided diagnostic system (DL-CAD) using an anthropomorphic chest phantom. Methods: Methods:An anthropomorphic chest phantom consisting of realistic pulmonary vessels was used to simulate chest CT imaging. The chest phantom contains 8 spherical lung nodules of different diameters (5, 8, 10, 12 mm) and densities (solid and ground glass nodules) and were scanned on a 256-slice CT with the following parameters:120 kVp, noise index of 14, pre-ASIR-V was adjusted to 0%, 40%, 80% and 100% to modulate the tube current. Images were reconstructed with 1.25 mm using lung kernel and 0%, 40%, 80%! pre-ASIR-V. Absolute percentage error (APE) of the diameter (APEd) and volume (APEv) of the lung nodules was used to describe the accuracy of measurement. One-way ANOVA and LSD-t test were used to compare APEd and APEv of nodules with different radiation doses. Results: Effective radiation dose of different scans with 0%, 40%, 80%, 100% pre-ASIR-V were 9.68, 3.78, 0.82 and 0.23 mSv, respectively. For both APEd and APEv, 0%, 40%, 80%, 100% pre-ASIR-V scans increased significantly as the effective dose decreased. And there were significant differences of APEd and APEv between 100% pre-ASIR-V and other radiation doses (both P < 0.05), while there were no statistical differences between the two radiation doses each other of the condition of 0%, 40% and 80% pre-ASIR-V (all P>0.05). Conclusion: The radiation dose can impact the measurement accuracy of nodule volume and long diameter with DL-CAD.
Key words: Radiation dosage    Lung nodules    Deep learning    Artificial intelligence    Tomography, X-ray computed    

肺癌筛查指南[1]根据结节的大小、三维容积、密度、位置、分布等特点提出相应处理意见,故准确检测肺结节大小有利于规范临床诊疗和随访。当前,人工智能领域中基于深度学习的计算机辅助诊断系统(deep learning-based computer aided diagnostic sys鄄tem,DL-CAD)可对肺结节行自动检出、分类、分割[2],测量长径与三维容积,并测评结节生长速度[3],已逐渐应用于肺结节检出、良恶性鉴别及随访等[4]。辐射剂量和结节位置、大小、密度影响结节检出率已得到共识[5],但对肺结节三维容积检测的影响存在不同结论[6-7]。本研究利用胸部及肺结节仿真体模,行多组辐射剂量水平CT扫描及不同迭代算法比例重建,比较DL-CAD在各组CT图像上测量肺结节长径及三维容积的准确性,以期为规范人工智能评价肺结节提供参考依据。

1 材料与方法 1.1 实验材料

含随机放置的8个不同直径(5、8、10、12 mm)及密度(实性结节100 HU、磨玻璃结节-630 HU)的圆球形肺结节的成年男性仿真胸部体模Chest Phantom N1(日本Kyoto Kagaku公司生产)。该体模高度45 cm,胸围94 cm,重量18 kg,其胸壁、纵隔、肺、椎体各部位几何尺寸及X线衰减性能与男性人体组织等效[8]。仿真实性结节由聚氨酯和羟基磷灰石制成,仿真磨玻璃结节由聚氨酯泡沫制成。

1.2 仪器与方法

采用GE Revolution MSCT及8 mm探测器螺旋扫描模式。扫描参数:120 kV,噪声指数14,通过调整前置自适应统计迭代重建技术(pre-setted adaptive statistical iterative reconstruction Veo,pre-ASIR-V)的权重比例(0、40%、80%、100%)调节管电流,扫描层厚5 mm,转速0.5 s/圈,螺距1.531,视野36.0 cm×36.0 cm。原始数据采用锐利卷积核(LUNG Kernel)及不同混合比例的迭代重建算法(ASIR-V 0、40%、80%)进行重建,共获得12组1.25 mm层厚的薄层CT图像。

1.3 数据测量与分析

将12组薄层图像上传至DL-CAD系统(Infervision CT Lung Research,北京推想科技),利用深度学习算法测量仿真体模内各个结节的长径、三维容积值(图 1),比较各个肺结节长径、三维容积测量的绝对百分误差(absolute percentage error,APE)。直径APE(APEd)=100%×|Dm-Drs|/Drs,三维容积APE(APEv)=100%×|Vm-Vrs|/Vrs,Dm、Vm代表DL-CAD测量的结节长径和三维容积值,Drs、Vrs代表结节实际长径和三维容积。

图 1 基于深度学习的计算机辅助诊断系统(DL-CAD)检测仿真胸部体模CT扫描图像内不同直径、密度圆球形肺结节。DL-CAD可自动重建出结节的三维立体图像,并计算出基于体素的结节直径和三维容积     2a,2b    分别为0和100%pre-ASIR-V扫描,80%ASIR-V重建的重建直径为12 mm、密度为-630 HU的肺结节图像。DL-CAD检测肺结节示低剂量CT条件下分割和显示磨玻璃结节发生变形,进而降低三维容积和长径测量准确性

1.4 统计学分析

采用SPSS 20.0统计软件,计量资料以x±s表示。采用单因素方差分析及LSD-t检验比较不同辐射剂量条件下不同直径、密度肺结节的APEd和APEv。以P<0.05为差异有统计学意义。

2 结果

噪声指数固定为14,随着pre-ASIR-V的比例从0提高至100%(0、40%、80%、100%),扫描管电流及辐射剂量逐渐降低,4次扫描的有效剂量依次为9.68、3.78、0.82、0.23 mSv。

随辐射剂量降低,肺结节的APEd和APEv逐渐增大,且100% pre-ASIR-V图像的APEd和APEv大于其他扫描条件(均P<0.05),余各辐射剂量条件下两两比较差异均无统计学意义(均P>0.05)(表 1图 2)。

表 1 辐射剂量对机器深度学习算法测量肺结节三维容积及长径准确性的影响(%,x±s

3 讨论

三维容积大小变化及倍增时间是肺癌筛查时诊断肺结节性质和制订处理方案的重要依据[9-10],也是判断结节疗效的重要指标[11],对尚不能定性的肺小结节常采用随访检测结节的长径和三维容积变化以进一步处理。目前低剂量CT的临床应用逐渐增多,是肺癌筛查及结节随访的主要方法[12],利用低剂量CT精确确定结节长径和三维容积对正确处理结节具有重要作用。临床实践中常通过定期低剂量CT随访复查观察目标结节的三维容积变化并计算倍增时间。现阶段,结节大小和生长速度仍是国内外肺癌诊疗指南中最常用的定量指标,但由于观察和测量多选用传统的形态学征象判断、目测实性成分占比、轴位单层最大径、多层最大径取平均值等定性、半定量或定量方式等,常受阅片医师经验和测量误差主观因素影响,观察者之间差异较大,研究和临床判断可重复性低。CAD能自动或半自动利用肺结节与周围肺组织间的密度差将肺结节从肺实质中分割出来,进而重建出结节的三维立体图像并计算出基于体素的结节容积[13]。DL-CAD在检测肺结节上的主要效能指标具有可靠性和成长性[14],相对传统CAD能明显降低肺结节的假阳性率[15],其检测和分类准确性及敏感度与影像科医师阅片水平相近[16-17],且可在不受阅片者情绪等主观因素影响下快速高效地分析肺结节数目、位置、长径、三维容积及恶性风险概率等[18]

DL-CAD在胸部CT图像上发现、诊断及随访肺结节的有效性上已初步得到验证[14],且在减轻医师工作负担、降低漏诊风险及多因素综合的预测判断等方面逐步体现出自身的价值和优越性[19]。当前将深度学习算法应用于医学影像的分类问题(诊断)、检测问题(发现异常)、分割问题(量化测量)及配准问题(随访跟踪)等已成为人工智能在定量影像临床应用研究中的热点。本研究基于DL-CAD比较辐射剂量对CT图像上模拟肺结节长径及三维容积测量准确性的影响,以期为规范人工智能评价肺结节提供参考依据。

本研究采用人工智能定量分析结节的方式,在薄层(1.25 mm)肺卷积核重建CT图像上,于三维状态下计算结节的长径和体积,可重复性强,一定程度上避免因阅片者间测量习惯差异等导致的主观不确定因素。本研究发现,DL-CAD测量肺结节长径和三维容积的准确性与辐射剂量相关,随着辐射剂量降低,肺结节的长径及三维容积测量误差越大。且当采用100%! pre-ASIR-V降低管电流,将胸部CT辐射有效剂量减少至0.23 mSv时,肺结节长径及三维容积测量误差与较大辐射剂量条件下(0、40%、80%!preASIR-V)比较,差异均有统计学意义(均P<0.05),提示过低的辐射剂量可显著影响DL-CAD对肺结节的测量准确性,与手工测量结论相同[20];可进一步证实辐射剂量影响MSCT对肺结节的定量分析,提示随访肺结节形态大小时尽量采用相同的曝光条件,采用超低剂量扫描时需谨慎。

本研究局限性:模拟结节形态单一;未考虑呼吸和心脏搏动对结节三维容积的影响;DL-CAD测量体模结节的准确性可能受诸如扫描结节本身密度和大小、重建卷积核、重建层厚、软件版本等不同因素的影响,本研究仅探讨辐射剂量对DL-CAD测量长径和三维容积准确性的影响,有待于今后对各影响因素深入研究。

总之,DL-CAD测量肺结节长径及三维容积的准确性与辐射剂量相关,当辐射剂量过低时,人工智能测量肺结节长径、三维容积的误差显著增大。设定噪声指数为14、通过调整pre-ASIR-V调节管电流时,不建议采用100%! pre-ASIR-V扫描图像进行DL - CAD肺结节测量。

参考文献
[1]
尹永芳, 陈志仁, 梁妍, 等. 基于 Fleischner 最新指南关于孤立性 亚实性肺结节的 CT 随访与肺腺癌病理亚型的对照研究[J]. 临 床放射学杂志, 2019, 38(5): 830-834.
[2]
BROWN M S, GOLDIN J G, SUH R D, et al. Lung micronodules: automated method for detection at thin-section CT-initial experi ence[J]. Radiology, 2003, 226(1): 256-262.
[3]
ATSUSHI T, TETSUYA T, YUKA T, et al. Automated classificat ion of lung cancer types from cytological images using deep convolutional neural networks[J]. BioMed Research International, 2017, 8(13): 1-6.
[4]
CIOMPI F, CHUNG K, VAN RIEL S J, et al. Corrigendum : Towards automatic pulmonary nodule management in lung cancer screening with deep learning[J]. Scientific Reports, 2017, 7(9): 46878.
[5]
吴光耀, 伍建林. 基于 CT 的计算机辅助检测与诊断肺结节技术 研究进展[J]. 中国医学影像技术, 2018, 34(7): 1114-1117.
[6]
徐岩, 贺文, 李剑颖. 辐射剂量和成像系统对测量肺磨玻璃密度 结节 CT 三维容积准确性的影响[J]. 中国医学影像技术, 2011, 27(12): 2385-2388.
[7]
杨文洁, 吴梦熊, 张欢, 等. 胸部低剂量 CT 中肺结节自动测量软 件的体模研究[J]. 中国医学计算机成像杂志, 2015, 21(4): 382-386.
[8]
MATHIEU K B, AI H, FOX P S, et al. Radiation dose reduction for CT lung cancer screening using ASIR and MBIR:a phantom study[J]. J Appl Clin Med Phys, 2014, 15(2): 271-280. DOI:10.1120/jacmp.v15i2.4515
[9]
VAN KLAVEREN R J, OUDKERK M, PROKOP M, et al. Mana gement of lung nodules detected by volume CT scanning[J]. N Engl J Med, 2009, 361(23): 2221-2229. DOI:10.1056/NEJMoa0906085
[10]
CALLISTER M E, BALDWIN D R, AKRAM A R, et al. British Thoracic Society guidelines for the investigation and managem ent of pulmonary nodules[J]. Thorax, 2015, 70(8): 794-798. DOI:10.1136/thoraxjnl-2015-207221
[11]
HEUVELMANS M A, OUDKERK M, GEERTRUIDA H, et al. Optimisation of volume-doubling time cutoff for fast-growing lung nodules in CT lung cancer screening reduces false-positive ref errals[J]. Eur Radiol, 2013, 23(7): 1836-1845. DOI:10.1007/s00330-013-2799-9
[12]
SEENSEN SJ. Management of lung nodules detected by volume CT scanning[J]. N Engl J Med, 2009, 361(23): 2221-2229. DOI:10.1056/NEJMoa0906085
[13]
苏大同, 冯磊, 姜英健, 等. 扫描及重建条件对肺结节三维容积 及 CT 值定量影响的体模研究[J]. 中国肺癌杂志, 2017(8): 562-567.
[14]
金文忠, 陆耀, 汪阳. 基于人工智能的胸部 CT 智能辅助诊断系 统在 LDCT 数据集上的应用研究[J]. 中国医学计算机成像杂 志, 2018, 24(5): 9-13.
[15]
GINNEKEN V, BR AM. Fifty years of computer analysis in chest imaging:rule-based, machine learning, deep learning[J]. Radiol Phys Technol, 2017, 10(1): 23-32. DOI:10.1007/s12194-017-0394-5
[16]
CHENG J Z, NI D, CHOU Y H, et al. Computer-aided diagnosis with deep learning architecture:applications to breast lesions in US images and pulmonary nodules in CT scans[J]. Sci Rep, 2016, 15(4): 24454.
[17]
CHARTRAND G, CHENG P M, VORONTSOV E, et al. Deep learning:a primer for radiologists[J]. Radiographics, 2017, 37(7): 2113-2131. DOI:10.1148/rg.2017170077
[18]
萧毅, 刘士远. 肺结节影像人工智能技术现状与思考[J]. 肿瘤 影像学, 2018, 27(4): 8-11.
[19]
孙炎冰, 陶广昱, 陈群慧, 等. 人工智能 CT 定量分析肺磨玻璃 密度结节初探[J]. 中国医学计算机成像杂志, 2018, 24(5): 19-23.
[20]
SOLOMON J, MILETO A, NELSON R C, et al. Quantitative features of liver lesions, lung nodules, and renal stones at multi detector row CT examinations:dependency on radiation dose and reconstruction algorithm[J]. Radiology, 2016, 279(1): 185-194.