深度学习超分辨率CT与超高分辨率CT在离体人肺中的直接比较：基于相同标本的图像质量评估

《Academic Radiology》：Deep Learning Super-Resolution CT Versus Ultra–High-Resolution CT: A Direct Comparison in Cadaveric Human Lungs

　　

**目的：**基于深度学习的肺实质高分辨率计算机断层扫描（CT）尚未与超高分辨率CT（UHR-CT）进行直接比较。研究人员采用相同的人体离体肺，比较了基于深度学习的超分辨率CT与UHR-CT的图像质量。

**材料与方法：**本回顾性研究纳入10例离体人肺，分别在常规CT和UHR-CT上以两种剂量水平（9 mGy、2 mGy）进行扫描。评估了五种重建方法，包括基于深度学习的合成超分辨率CT（CCT-1024-PIQE）以及使用基于深度学习的去噪算法（UHR-1024-AiCE）重建的UHR-CT衍生高分辨率图像。两名放射科医生采用5分制量表，独立评估了细支气管、七种异常发现以及总体图像质量。同时量化了客观图像噪声。采用Wilcoxon符号秩检验进行统计比较，并应用Benjamini-Hochberg校正。

**结果：**在9 mGy剂量下，细支气管的显示无显著差异，而UHR-1024-AiCE在磨玻璃影和小叶内网状影方面的评分高于CCT-1024-PIQE（所有P ≤ 0.007）。在2 mGy剂量下，CCT-1024-PIQE与UHR-1024-AiCE在大多数发现上无显著差异。与512矩阵重建相比，CCT-1024-PIQE在两种剂量水平下均获得一致的更高视觉评分（大多数比较，P < 0.05）。所有方法的图像噪声在2 mGy时均增加，而基于PIQE的重建显示噪声更低（P < 0.001）。

**结论：**基于深度学习的超分辨率CT在许多肺部发现方面与UHR-CT无显著差异，尤其是在低剂量条件下，同时相比常规512矩阵重建改善了可视化效果。

**核心信息：**深度学习生成的（合成）高分辨率CT在图像质量上与超高分辨率CT无显著差异，特别是在低剂量条件下，并可能优于常规重建。该技术可能改善肺部精细结构的评估并支持剂量降低。

**研究背景与目的**

计算机断层扫描（computed tomography, CT）技术的进步显著提升了空间分辨率，使肺部形态的精细化评估成为可能。超高分辨率能量积分探测器CT（ultra–high-resolution CT, UHR-CT）于2017年进入临床应用，其空间分辨率可达0.14 mm，远超常规CT的0.23–0.35 mm。既往研究表明，探测器获取的高空间分辨率图像在显示肺结节、磨玻璃影（ground-glass opacities, GGOs）、肺气肿、小叶间隔增厚及蜂窝影等方面具有优势，并可用于肺癌及弥漫性肺疾病的评估。然而，专用UHR-CT系统尚未广泛普及，限制了探测器级超高分辨率成像的可及性。

在硬件发展的同时，深度学习重建技术迅速演进。先进智能Clear-IQ引擎（Advanced intelligent Clear-IQ Engine, AiCE）是一种基于模型迭代重建高质量图像训练的深度学习重建方法，可抑制噪声并提升空间分辨率。Precise IQ Engine（PIQE）则是新开发的超分辨率深度学习重建算法，基于三维卷积神经网络，使用AiCE重建的UHR-CT图像训练。尽管PIQE最初用于冠脉成像，近年已出现适用于肺实质的算法，可从常规CT数据实现深度学习超分辨率重建，同时提升空间分辨率并降低图像噪声。既往心脏CT研究显示PIQE的噪声抑制和分辨率提升效果，但其在肺实质成像中的应用价值尚不明确，且尚无研究直接比较深度学习超分辨率CT与专用UHR-CT在肺部的表现。因此，本研究旨在使用相同的人体离体肺，直接比较基于深度学习的超分辨率CT与专用UHR-CT的图像质量。

**研究方法概述**

研究纳入10例具有异常CT表现的离体人肺，病理诊断包括肺出血（n=1）、心源性水肿（n=1）、肺结核（n=2）、肺气肿（n=1）、弥漫性肺泡损伤（n=1）、肺转移瘤（n=1）、肺淋巴管癌病（n=1）和寻常型间质性肺炎（n=2）。标本经Heitzman法充气固定后置于胸廓体模内，分别使用常规CT系统（CCT；Aquilion ONE，佳能医疗）和UHR-CT系统（Aquilion Precision，佳能医疗）以约9 mGy和2 mGy两种剂量水平扫描。CCT准直为0.5 mm×80排，UHR-CT为0.25 mm×160排，其余扫描参数（120 kVp、0.5 s旋转时间、螺距0.8）保持一致。每种剂量水平下重建五种图像数据集：CCT-512-FBP、CCT-512-AiCE、CCT-512-PIQE、CCT-1024-PIQE和UHR-1024-AiCE，层厚和增量均为0.5 mm。其中CCT-1024-PIQE视为由常规CT数据生成的深度学习超分辨率图像，UHR-1024-AiCE视为专用UHR-CT采集并经深度学习去噪算法重建的高空间分辨率图像。两名胸部放射科医生（经验分别为11年和10年）对细支气管及七种异常发现（结节、GGOs、肺气肿、小叶间隔增厚、小叶内网状影、牵拉性支气管扩张、蜂窝影）采用5分制评分，并评估总体图像质量。客观图像噪声通过三个圆形感兴趣区（region of interest, ROI）的标准差（standard deviation, SD）测量。采用Wilcoxon符号秩检验和Benjamini–Hochberg校正进行统计分析。

**主要研究结果**

**CT发现的分布与观察者间一致性：**评估图像包含22处细支气管、17处GGOs、19处结节、11例肺气肿、25例小叶间隔增厚、14例小叶内网状影、10例支气管扩张和12例蜂窝影。两名读者间的加权kappa系数（κw）范围为0.601–0.790，表明一致性为中度至实质性。

**9 mGy剂量下的视觉评分比较：**CCT-1024-PIQE与UHR-1024-AiCE的比较显示，细支气管显示两者无显著差异；结节、肺气肿、小叶间隔增厚、支气管扩张和蜂窝影方面，读者1未发现显著差异，读者2则显示UHR-1024-AiCE评分显著更高；磨玻璃影和小叶内网状影方面，UHR-1024-AiCE获得显著更高的评分（所有P ≤ 0.007）；总体图像质量方面，UHR-1024-AiCE显著优于CCT-1024-PIQE（P < 0.001）。在CCT-1024-PIQE与512矩阵重建的比较中，细支气管、GGOs、结节和小叶间隔增厚方面CCT-1024-PIQE评分显著高于CCT-512-PIQE和CCT-512-AiCE；小叶内网状影方面显著高于CCT-512-AiCE；肺气肿和蜂窝影方面（读者1）显著高于CCT-512-AiCE和CCT-512-FBP（所有P < 0.05）；总体图像质量显著优于所有512矩阵重建。

**2 mGy剂量下的视觉评分比较：**除结节外，CCT-1024-PIQE与UHR-1024-AiCE在所有发现方面均无显著差异，表明大多数肺部异常的可检测性相似。结节方面仅读者2显示UHR-1024-AiCE评分更高（P=0.022）。总体图像质量两者无显著差异（读者1：P=0.729；读者2：P=0.365）。CCT-1024-PIQE在细支气管、GGOs、结节、肺气肿、小叶间隔增厚、小叶内网状影及蜂窝影方面均显著优于CCT-512-PIQE、CCT-512-AiCE和CCT-512-FBP（除支气管扩张仅读者1显示显著差异外），总体图像质量显著优于所有512矩阵重建（所有P < 0.001）。

**客观图像噪声测量：**在9 mGy剂量下，噪声由低到高依次为CCT-512-PIQE、CCT-1024-PIQE、CCT-512-AiCE、UHR-1024-AiCE、CCT-512-FBP，所有两两比较均有显著差异（P < 0.001）。在2 mGy剂量下顺序略有变化，UHR-1024-AiCE噪声低于CCT-512-AiCE（P < 0.001）。所有方法在2 mGy时的噪声均显著高于9 mGy（所有P < 0.001）。PIQE系列重建在各剂量下噪声水平始终最低，FBP噪声最高。

**讨论与结论**

本研究是首个在肺实质成像中直接比较深度学习生成的高分辨率图像与UHR-CT获取的超高分辨率图像的研究。相同标本的使用确保了各成像条件下重建方法间的直接对照。研究结果显示，CCT-1024-PIQE在9 mGy剂量下细支气管显示与UHR-CT无显著差异，而在低剂量条件下更多肺部发现未显示统计学显著差异。这些发现表明，深度学习超分辨率重建可改善精细结构的可视化，并可能弥合常规CT与专用UHR-CT在空间分辨率方面的差距。9 mGy与2 mGy剂量下的差异可能归因于噪声水平的差异——低噪声条件下UHR-CT的高分辨率优势更易体现，而高噪声条件下深度学习重建对噪声的抑制效应可能抵消了分辨率差异。值得注意的是，图像质量并非仅由空间分辨率决定，而是分辨率与噪声特性平衡的结果。

研究局限性包括：样本量较小且异常发现类型有限；离体肺无法评估运动相关伪影；不同CT系统间的层面匹配存在轻微残余差异；未进行详细的影像-病理对照。未来研究应纳入病理对照，尤其针对小叶内网状影等细微发现。

研究人员得出结论：基于深度学习的超分辨率重建在多类肺部发现的图像质量方面与UHR-CT无显著差异，尤其是在低剂量条件下。该方法可补偿噪声增加、改善精细结构显示，并支持低剂量CT环境下的诊断评估，对肺癌筛查和纵向随访具有重要意义。