挑战影像界完美“4A”，我们这样做......

理想的4A，是追求完美的尽力一跃

挑战，是战胜自我的一次又一次突破

GE医疗不妥协于挑战，

全力以赴探索更具临床价值的创新技术

医学影像学界顶级期刊《Radiology》最新发布的一篇中国的科研成果来自上海市第一人民医院（上海交通大学附属第一人民医院）解学乾教授团队，题为《Deep Learning Reconstruction Shows Better Lung Nodule Detection for Ultra-Low-Dose Chest CT》。解教授带领的科研小组通过一系列缜密的实验设计和数据分析发现，利用深度学习图像重建（Deep Learning Image Reconstruction, DLIR, TrueFidelity™）技术可以提高超低剂量胸部CT（接近胸部平片剂量）的肺结节检出率和诊断准确性。

（注：论文通讯作者为上海第一人民医院放射科副主任解学乾教授；第一作者为上海第一人民医院蒋蓓蓓医生；GE医疗中国的CT高级应用团队为合作团队。）

该项研究成果发表的同时，《Radiology》责任编辑Prof. Lee配发评语，高度评价此研究的价值：

引领各种肺部疾病的DLIR临床研究，特别是需要重复应用超低剂量CT影像检查的场景，如新冠肺炎相关的检查。

这个科研项目的研究内容：收集了203例肺癌筛查病例、共1066个结节，每位患者采用 Revolution CT进行胸部平扫以及增强扫描。超低剂量平扫剂量为0.07或0.14mSv（接近单次胸部X光平片剂量），并采用目前普遍的ASIR-V迭代技术和TrueFidelity™技术的（DLIR）平扫分别进行图像重建。

据解教授介绍，研究成果中最为关键的发现为：使用深度学习图像重建（DLIR）进行超低剂量CT扫描，背景噪声降低了22%，为诊断提供了更为高清的CT影像；DLIR扫描将结节检出率从73.3%提高到了75.8%，能够发现更早期、细小的病灶，同时，DLIR将肺结节恶性相关征象的检出率提升近10%，达到81.5%。解教授说：“这个研究为超低剂量CT肺癌筛查的广泛普及和应用提供了重要的参考价值。”

01

图1：病例为72岁男性患者，5年前有右肺中叶肺癌手术史。红色轮廓区域显示了肺实质的放大图像的细节。DLIR-H图像比ASIR-V-80%图像显示更清晰的肺实质和更多的细节，与增强CT图像相似。

02

图2：肺结节的恶性相关征象。（A）条形图显示了滤波反投影（FBP）、高强度迭代重建（ASIR-V-80%）和高强度深度学习图像重建（DLIR-H）中的肺结节恶性相关征象检出率，后者最高。（B）病例影像为64岁男性患者，BMI 23.9 kg/㎡，因CT发现右肺中叶结节，长径28.2mm，住院接受手术治疗，该结节经组织病理学证实为浸润性腺癌。DLIR-H 显示了该结节（箭头）的三种恶性相关征象，包括分叶征、毛刺征和空气支气管征。

2022新年伊始，《健康时报》刊登了一篇题为《北京儿童医院有个双低CT》的报道，详细介绍了北京儿童医院影像中心主任彭芸教授带领团队逐步建立针对儿童患者的低辐射剂量、低对比剂用量的“双低CT扫描体系”，同样使用了GE医疗的TrueFidelity™技术平台。

2022年1月21日《健康时报》刊发报道

在逐步建立双低CT检查体系的过程中，彭芸主任携团队前往GE医疗中国的位于北京的影像设备制造基地，利用过往病例，使用TrueFidelity™技术对CT扫描的图像进行清晰度测试。通过研究对比发现，所使用的TrueFidelity™算法能够明显提升CT显示病变的准确性，较目前常用的迭代重建算法显示病变更加真实，更利于区分病变组织，利于病变的评估，任意扫描0.625mm薄层重建，空间分辨率能提高8倍，1.25mm微小病灶检出率提升50%，真实还原图像的解剖细节和纹理，还额外发现了3个之前看不到的微小病灶。

彭芸说：“拿到算法服务器处理的结果后，我们又针对性地做一系列的研究和评估，反推回来建立清楚理论，这样我们就明确可以使用多少剂量，再进行体膜实验，然后才能在孩子身上用。”

说起CT低剂量，尤其是射线剂量、对比剂剂量的“双低检查“的未来，彭芸自豪与信心并存，“在很多疾病诊断过程中CT检查是必不可少的，在这个过程中如果能找到一个低剂量和影像图像质量的平衡点对于儿童患者来讲，益处不言而喻。”

“实际上，超低剂量CT扫描+深度学习重建正在迅速普及，我们预计使用超低剂量CT扩大筛查范围、改变现有方案会检出更多的早期肺癌，进一步降低肺癌的死亡率。”

解学乾教授团队科研成果的发表对于创新技术的方案快速普及到临床、惠益患者意义重大。

解教授解释道：虽然目前广泛采用低剂量CT进行胸部扫描，现有1mSv至2mSv的吸收剂量已经较常规剂量CT大幅度降低，但是对于无症状人群的筛查仍显偏高。我们的研究发现可以用0.14mSv的剂量对正常体型的人进行胸部CT扫描[5]，这已经接近一次正侧位胸片的剂量(0.03mSv - 0.1mSv)，大幅度降低了辐射可能带来的副作用。对于科研和临床来说，这都是一个新的开始。对于科研，低辐射剂量扫描可以改写和细化肺癌筛查方案。我们预计使用接近胸片剂量的超低剂量CT扩大筛查范围、改变现有方案会检出更多的早期肺癌，进一步降低肺癌的死亡率。

注：人在地球上每时每刻都在接受天然辐射，天然辐射就是来自大自然的辐射，包括来自太阳、空气、地层等。联合国原子辐射效应委员会提示，每人每年受到的天然本底辐射约为3mSv (毫西弗)。

解学乾教授带领的科研团队在肺癌筛查和人工智能方面做了大量的基础工作。解教授曾在荷兰工作四年，作为主要参与人完成欧洲最大的NELSON肺癌筛查研究，比较了解肺癌筛查的科研和临床。在肺癌筛查中，如何优化筛查方案，让更多的人受益一直是学者们的目标。对筛查方案的优化来自于硬件、软件和管理。在保证临床诊断图像质量的前提下尽可能降低辐射剂量一直是优化筛查方案的核心目标。在这样的背景下，解教授得知GE医疗的DLIR技术后，第一时间想到的是：能不能用这项技术来进一步降低胸部CT扫描的剂量。经过与GE医疗中国CT高级应用团队的一系列的前期探索，比如体模扫描、扫描方案和流程的优化、图像分析方法的探索、图像分析软件的开发等开始展开科研合作。

“随着接近胸片剂量的超低剂量CT扫描开始走入临床，会使CT的临床应用范围更广阔。”解教授说：“从肺癌筛查开始，可以预见超低剂量技术会扩展到更多的病种，比如肺炎、肺气肿等，或者其他器官，比如肝脏、肾脏等。临床应用的推广会进一步促进CT技术，从扫描流程、参数设置，到应用软件需要进一步优化来支持超低剂量扫描的临床应用。超低剂量CT扫描技术会大幅度降低患者的辐射剂量风险，赢得患者、影像科医生和临床医生的信心，有望成为主流和标准。”

谈及超低剂量扫描+深度学习重建算法技术具体的优势，解教授总结：

第一个优势是准确。与以往根据患者体征和实验室检查来判断肺炎和用胸片筛查比较，CT扫描提供毫米级的图像分辨率，深度学习重建算法提供准确的病灶检出和精确的测量分析，非常有利于病灶评估，也有利于复查量化对比。

第二个优势是快速。现代CT扫描速度快，更快的是高性能服务器支持的深度学习重建，在扫描完成的几乎同时能够得到图像的精准分析，加速了临床流程。

第三个优势是高可重复性。传统读片需要大量的人工判读，不同经验背景的医生往往有不同的标准，深度学习重建算法提供了均一的图像分析标准，有利于在非教学医院开展新的项目。

“目前的深度学习模型是根据标准剂量CT图像训练的，可能超低剂量扫描的CT图像会有少许不同。不过深度学习框架不需要大的改动，根据超低剂量扫描的CT图像微调即可。可以预见，如果超低剂量扫描迅速发展，超低剂量扫描+深度学习重建算法也会迅速普及。”

参考文献

1. de Koning HJ, van der Aalst CM, de Jong PA, Scholten ET, Nackaerts K, Heuvelmans MA, et al. Reduced Lung-Cancer Mortality with Volume CT Screening in a Randomized Trial. N Engl J Med. 2020;382(6):503-13.

2. Messerli M, Kluckert T, Knitel M, Wälti S, Desbiolles L, Rengier F, et al. Ultralow dose CT for pulmonary nodule detection with chest x-ray equivalent dose - a prospective intra-individual comparative study. Eur Radiol. 2017;27(8):3290-9.

3. Zanon M, Pacini GS, de Souza VVS, Marchiori E, Meirelles GSP, Szarf G, et al. Early detection of lung cancer using ultra-low-dose computed tomography in coronary CT angiography scans among patients with suspected coronary heart disease. Lung Cancer. 2017;114:1-5.

4. Carey S, Kandel S, Farrell C, Kavanagh J, Chung T, Hamilton W, et al. Comparison of conventional chest x ray with a novel projection technique for ultra-low dose CT. Med Phys. 2021;48(6):2809-15.

5. Jiang B, Li N, Shi X, Zhang S, Li J, de Bock GH, et al. Deep Learning Reconstruction Shows Better Lung Nodule Detection for Ultra-Low-Dose Chest CT. Radiology. 2022:210551.

6.  Aberle DR, Adams AM, Berg CD, Black WC, Clapp JD, Fagerstrom RM, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011;365(5):395-409.

文末彩蛋

为了让更多的学者了解这篇研究的价值，《Radiology》特此开放文章下载！