关于“基于深度学习的图像重建对计算机断层扫描中肿瘤可见性和诊断信心的影响”的学术报告
第一，研究概况
本研究题为《基于深度学习的图像重建对计算机断层扫描中肿瘤可见性和诊断信心的影响》(Impact of Deep Learning-Based Image Reconstruction on Tumor Visibility and Diagnostic Confidence in Computed Tomography)，由来自德国耶拿大学医院放射科（Department of Radiology, Jena University Hospital, Friedrich Schiller University）的Marie Bertl、Friedrich-Georg Hahne、Stephanie Gräger以及通讯作者Andreas Heinrich共同完成。Marie Bertl和Friedrich-Georg Hahne对此项研究做出了同等贡献。该研究成果于2024年12月18日发表在开放获取期刊《Bioengineering》上（2024, 11, 1285），是一篇原始研究论文（Article）。
第二，研究的学术背景与目的
计算机断层扫描（CT）的图像重建技术已从早期的滤波反投影（Filtered Back Projection, FBP）发展到迭代重建（Iterative Reconstruction, IR）。随着深度学习（Deep Learning, DL）的兴起，CT重建技术正迈入一个新时代。基于深度学习的应用，如GE医疗的TrueFidelity深度学习图像重建（Deep Learning Image Reconstruction, DLIR）和AlgoMedica的PixelShine (PS)，在减少噪声、提升图像锐利度、提高信噪比（Signal-to-Noise Ratio, SNR）和对比度噪声比（Contrast-to-Noise Ratio, CNR）、抑制伪影以及降低辐射剂量方面显示出巨大潜力。既往研究多集中于图像质量和剂量降低，但对诊断效能的评估非常有限，且定性评估通常仅由一到两名有经验的放射科医师（Radiologist）执行，缺乏对大样本、不同年资医师以及不同DL技术之间的直接比较。此外，针对DL可能带来的诊断限制（如对小结构造成的模糊效应）也需要更深入的研究。因此，本研究旨在填补这些空白，通过比较包括先进DL方法在内的多种重建技术对增强CT肿瘤病灶的诊断性评估，并邀请了20-24名经验水平各异的放射科医师参与，以期对DL技术提升不同临床场景诊断效能潜力进行全面分析。
第三，研究的详细工作流程
本研究是一项回顾性研究，已获得耶拿大学医院伦理委员会的批准（注册号：2020-1725-Daten），并免除了书面知情同意。整个研究流程可分为研究对象选择、CT数据采集、多种图像重建、定量评估和定性评估五个主要部分。
首先，在研究人群选择上，研究分析了68例增强CT常规肿瘤分期检查，最终纳入33例符合标准的患者，其核心入选标准是病灶在门静脉期（Portal Venous Phase）和动脉期（Arterial Phase）均清晰可见。这33例病灶包括26个恶性肿瘤和7个良性肿瘤，最常见的部位是肝脏（10例）。患者平均年龄为64.09岁，平均体重指数（BMI）为27.49 kg/m²，男女比例接近1:1。
其次，在CT数据采集阶段，所有患者均使用256排多层螺旋CT（Revolution CT, GE医疗）并遵循标准分期方案，采集了平扫期、动脉期和门静脉期的图像。管电压多为120 kVp，扫描层厚为0.625毫米。
第三，本研究最重要的环节是对同一套CT原始数据（Raw Data）进行了十种不同算法的图像重建。这些算法分为三类：首先是DLIR技术，它利用深度神经网络进行训练，提供低（Low）、中（Medium）、高（High）三个强度等级；其次是PixelShine技术，作为基于DL的降噪软件，它通过独立服务器处理DICOM文件，提供软（Soft）和超软（Ultrasoft）两个级别，且兼容不同厂商的CT设备；最后是迭代重建方法，包括自适应统计迭代重建-体积（Adaptive Statistical Iterative Reconstruction—Volume, ASIR-V），其混合因子从30%、50%、70%到100%不等，以及传统的FBP方法。
第四，在定量评估方面，研究计算了所有重建方法在三个扫描时相下的33个肿瘤病灶的SNR和CNR。具体方法是在肿瘤（平均面积：269像素）和周围器官组织（平均面积：1474像素）中精确放置大小一致的感兴趣区（Region of Interest, ROI），并使用基于QML和Qt框架的自研软件测量信号强度及标准差，以确保ROI在所有重建图像中的同一位置。
第五，定性评估是本研究的一大特色，分为两个部分，设计了巧妙的盲法调查。首部分调查有20名放射科医师（13名初级，7名高级，经验0-17年不等）参与，他们需要对从门静脉期和动脉期病灶中提取的ROI图像（共8种重建方法，排除了ASIR-V 30%和70%）按整体图像质量从1（最佳）到8（最差）进行盲目排名。为此，研究者再次开发了专用软件，随机呈现并允许医师调节窗宽窗位和缩放。基于第一部分的结果，第二部分调查筛选出四种方法（ASIR-V 50%， ASIR-V 100%， DLIR-Low， DLIR-High），由24名放射科医师（19名初级，5名高级），对33个病灶在动脉期和门静脉期的图像，从图像解读（Image Interpretation）、结构可区分性（Structural Differentiability）和诊断确定性（Diagnostic Certainty）三个维度，采用5分李克特量表（5-point Likert Scale）进行盲法评估。四幅图像同样在同一屏幕上随机并排显示。数据分析采用Mann-Whitney U检验，并应用Bonferroni校正进行多重比较，所有计算通过Python的SciPy库完成。
第四，研究的主要结果及其对结论的贡献
本研究的定量和定性结果相互印证，有力地支持了最终结论。
在定量分析中，结果显示门静脉期的SNR和CNR普遍最高。随着重建强度的增加，迭代和DL方法在SNR和CNR上均有显著提升。具体而言，相比于FBP，DLIR-High在整体上的SNR提升了131% ± 13%，CNR提升了78% ± 21%，其性能与ASIR-V 100%方法旗鼓相当，均达到了最高的客观图像质量。而PixelShine软和超软等级的改善幅度则相对较小，其性能与ASIR-V 50%更为接近。这一定量数据为后续的定性评估提供了客观基线。
在定性评估的第一部分排名中，放射科医师的主观偏好与定量数据显示了高度相关性。DLIR-High以1.72的平均排名被显著地评为最佳，其次是DLIR-Medium（2.58）和DLIR–Low（3.86）。ASIR-V 50%、PixelShine软和超软位列中游，排名无显著差异。FBP和ASIR-V 100%则排名最差。这一结果直接指导了第二部分调查关键重建方法的选择。在更精细的第二部分Likert量表评估中，DLIR-High再次在所有三个维度（图像解读、诊断确定性、结构可区分性）和两个对比时相中均获得了最高评分（平均分4.21），其次为DLIR-Low（4.0）、ASIR-V 50%（3.78），而ASIR-V 100%评分最低（2.91）。值得注意的是，所有基于DL的二维重建方法中，肿瘤病灶均清晰可见。此外，一个非常重要的发现是，初级与高级放射科医师之间的评估并无统计学差异，这表明DLIR的优势不受使用者经验水平的影响，几乎无需学习曲线即可实现最佳的诊断效能。同时，尽管门静脉期的评分普遍略高，但动脉期与门静脉期之间的差异也不显著，这验证了DLIR在不同对比时相下均能保持稳定的高性能。
这些层层递进的结果清晰地表明，DLIR不仅在客观指标上更优，更重要的是，这种物理指标的优势转化为了放射科医师在实际临床阅片中更高的主观评价和更强的诊断信心，从而构成了其有潜力成为新临床基准的坚实证据链。
第五，研究的结论、意义与价值
本研究得出结论：DLIR技术在图像解读、结构可区分性和诊断确定性方面均优于传统的IR技术，无论放射科医师的经验水平或所选的对比剂时相如何。其科学价值在于，它通过大规模、多经验层次的放射科医师评估，系统性地证实了DL技术的诊断优势，超越了单纯探讨图像质量的既有框架，将研究重心转移到了诊断效能这一临床核心问题上。它明确指出，在高级别迭代重建中常见的“塑料感”伪像在DLIR中被有效避免，这是其被放射科医师广泛接受的关键。其应用价值在于，这些发现突显了DLIR在临床实践中的变革潜力，它不仅能提供更高质量的影像，还能无缝集成到现有工作流程中，无需放射科医师进行额外的学习或适应。尽管DLIR系统存在专有性限制，但诸如PixelShine这类通用解决方案可以在推广先进技术的可及性中发挥补充作用。该研究还为未来的多中心、前瞻性研究指明了方向，呼吁将诊断准确性直接纳入研究终点。
第六，研究的亮点
本研究的主要亮点体现在以下几个方面。首先，它招募了多达20-24名放射科医师进行定性评估，相较于同类研究中仅由1-2名医师评估的做法，大大提升了统计效力和结论的普遍性。其次，它首次直接比较了两种商业化的DL重建算法——DLIR和PixelShine，并揭示了因训练数据和方法论不同导致的显著性能差异，为临床技术和设备选择提供了宝贵参考。再次，研究设计精巧，采用定制的软件进行盲法、随机化的ROI比较和评估，最大程度减少了偏差，实现了对同一病灶在不同方法下表现的精准对比。最后，研究发现初级和高级医师的评估无差异，这一发现本身就是一个重要亮点，它不仅证明了DLIR的易用性，也暗示了该技术有望减少因阅片者经验差异造成的诊断偏差，对未来的放射科培训和工作流优化具有深远意义。