《Journal of Imaging Informatics in Medicine》：Deep Learning–Based Metal Artifact Reduction in Cardiac Computed Tomography: A Preliminary Study Enabling Radiomic Analysis in Patients with Implantable Defibrillators
编辑推荐：
摘要：特发性心室颤动（idiopathic ventricular fibrillation, IVF）占院外心脏骤停存活者的5–10%，需植入植入式心律转复除颤器（implantable cardioverter–defibrillator, ICD）进行管
摘要：特发性心室颤动（idiopathic ventricular fibrillation, IVF）占院外心脏骤停存活者的5–10%，需植入植入式心律转复除颤器（implantable cardioverter–defibrillator, ICD）进行管理。然而ICD产生的金属伪影会降低心脏计算机断层扫描（cardiac computed tomography, CCT）图像质量，限制诊断能力并使放射组学（Radiomics）等高级分析无法开展。本研究旨在开发一种基于深度学习（deep Learning, DL）的方法，通过有效去除IVF患者伴ICD的CCT扫描中金属植入物（原发性伪影）及其伴随条状伪影（继发性伪影）来消减金属诱导伪影，并通过放射组学分析评估其预测复合临床终点是否有效。研究纳入41例伴ICD的IVF患者及13例无ICD的未患病家族成员（对照组）的CCT扫描。采用由无伪影对照组图像与患者扫描中提取的真实伪影掩膜合成的模拟数据集，训练一个20层全卷积神经网络（fully convolutional neural network）。在分割的兴趣区（region of interest, ROI）即左心室壁（left ventricle wall）上计算结构相似性指数（structural similarity index, LV-SSIM）、平均绝对误差（mean absolute error, LV-MAE）和均方误差（mean squared error, LV-MSE）以评估网络性能。此外从ROI提取851个放射组学特征，并建立机器学习模型预测包含非持续性室性心动过速（nonsustained ventricular tachycardia, NSVT）、高频发室性早搏（high premature ventricular contraction burden, 高PVC负荷）及室性心律失常复发的复合终点。DL模型在测试集上取得LV-SSIM为0.936±0.045、LV-MAE为15.59±8.48 HU、LV-MSE为661.89±1003.80 HU的良好表现。放射组学特征分析显示伪影去除后98%的稳定特征得以保留，证实诊断完整性。预测模型对复合临床终点达到F1分数0.85，证明该方法对伴ICD的IVF患者CCT金属伪影消减有效。本研究提出了一种前景良好的伴ICD患者CCT成像金属伪影消减DL方案，所展示的放射组学特征保留效果表明该方法维持了诊断完整性，有望拓展此前因金属伪影被排除于部分研究之外的心脏设备植入患者的CCT应用价值。
论文解读：基于深度学习的心脏CT金属伪影消减赋能植入式除颤器患者放射组学分析
该研究发表于Journal of Imaging Informatics in Medicine，针对特发性心室颤动（idiopathic ventricular fibrillation, IVF）患者植入植入式心律转复除颤器（implantable cardioverter–defibrillator, ICD）后行心脏计算机断层扫描（cardiac computed tomography, CCT）时，ICD金属部件引起光束硬化（beam hardening）、光子饥饿及散射效应产生严重条状金属伪影（metal artifacts），导致心肌结构模糊、图像诊断价值下降且无法进行后续定量放射组学（Radiomics）分析这一临床痛点展开。现有商用金属伪影消减（metal artifact reduction, MAR）算法（如Canon SEMAR、Philips O-MAR）主要针对骨科植入物设计，对心脏植入电子设备（cardiac implantable electronic devices, CIEDs）的大且复杂伪影效果有限；传统投影域正弦图补全（sinogram completion）易损失边缘信息并引入新伪影；已有深度学习（deep Learning, DL）MAR方法多面向骨科或牙科CT，心血管应用极少且基于图像修复（inpainting）的生成对抗网络可能破坏纹理一致性影响放射组学特征稳定性。研究人员假设直接在重建CT切片上通过DL学习伪影到无伪影映射，并配合物理逼真的金属伪影模拟数据训练，可在去除ICD所致金属及条状伪影的同时保留左心室壁纹理特征，使放射组学分析及临床终点预测成为可能，据此开展本研究并验证了其有效性。
主要关键技术方法：
研究人员回顾性纳入荷兰乌得勒支大学医学中心及马斯特里赫特大学医学中心+（Maastricht University Medical Center+, MUMC+）共41例带ICD的IVF患者（最终分析36例）及13例无ICD的IVF患者未患病家族成员（对照组）。以对照组无伪影CCT切片为基础，从患者扫描中以≥2800 HU阈值自动分割金属掩膜（metal mask）经旋转平移配准叠加生成模拟伪影图像（模拟钛合金线性衰减系数、120 kVp钨靶球管多色投影、泊松量子噪声及Ram-Lak滤波反投影重建），构建3140组含伪影/无伪影配对训练数据。采用20层全卷积神经网络（fully convolutional neural network, FCN），含3×3卷积核、ReLU激活、64隐藏通道及跳跃连接（skip connection），以平均绝对误差（mean absolute error, MAE）为损失函数、Adam优化器训练，按患者层面分层10次随机拆分（约80%训练/20%测试）防数据泄露。左心室壁（left ventricular, LV）由3D Slicer分割并经欧洲心血管影像协会（European Association of Cardiovascular Imaging）III级认证心 radiologist 验证。从LV壁提取851个三维放射组学特征（PyRadiomics，25 bin固定离散化），经类内相关系数（intraclass correlation coefficient, ICC＞0.75）筛选分割稳定特征及伪影处理后特征保真度，最终以嵌套四折交叉验证（nested fourfold cross-validation）配合过采样平衡少数类，用半监督主成分分析（semisupervised principal component analysis, ssPCA）结合极端梯度提升（extreme Gradient Boosting, XGB）分类器预测含非持续性室性心动过速（nonsustained ventricular tachycardia, NSVT）、高PVC负荷及室律失常复发的复合临床终点。
研究结果
DL-Based Metal Artifact Reduction（基于深度学习的金属伪影消减）
十次独立实验中验证集平均SSIM 0.908±0.011、MAE 25.80±2.04 HU、峰值信噪比（peak signal-to-noise ratio, PSNR）33.25±0.79 dB，测试集与之接近（SSIM 0.906±0.014），表明模型泛化稳定。优选模型在测试集左心室专属指标达LV-SSIM 0.936±0.045、LV-MAE 15.59±8.48 HU、LV-MSE 661.89±1003.80 HU。与对比方法相比，Cardiac Inpainting Net SSIM为0.626±0.034、ACDNet为0.773±0.049，所提网络SSIM显著更高（0.902±0.038, p＜0.001）。应用于真实IVF患者原始CCT图像，三名专家评定的患者伪影指数（patient artifact index，5分最重～1分最优）由平均3.6（中位4）降至1.6（中位1）；5例初始评分5分者降为3分但因残留伪影未纳入放射组学分析。
Radiomics（放射组学）
—Radiomic Feature Assessment（放射组学特征评估）：对照组原始无伪影与DL处理后图像间851个特征中779个（92%）ICC＞0.75，说明伪影去除后特征高度相似；原始图像经ROI侵蚀/膨胀/轮廓随机扰动稳定性检验识别433个（51%）稳定特征；二者交集为424个特征，占全部稳定特征的98%，表明DL处理后几乎全部分割稳定的放射组学特征信息被完好保留。
—Composite Endpoint Prediction in IVF Patients（IVF患者复合终点预测）：内层交叉验证优选半监督主成分分析（ssPCA）+极端梯度提升（XGB）组合，外层测试平均F1分数0.85±0.07，平衡准确率（balanced accuracy）良好，证明经MAR处理后的CCT图像可支撑可靠临床风险预测建模。
讨论与结论翻译总结：
讨论指出本方法直接作用于重建CT切片，依靠融合材料属性、多色谱投影及量子噪声的物理逼真伪影模拟与数据增广克服切片域MAR局限，并以客观放射组学特征保真度而非仅主观视觉评价验证效能。相比需投影域操作的起搏器伪影消减（DyPAR+）及侧重分割优化的生成对抗网络修复（Cardiac Inpainting Net），本FCN设计最小化非生理纹理引入，特别利于依赖纹理一致性的放射组学。局限性含模拟伪影植入位置未必完全等同真实临床解剖、样本量偏小需多中心大样本及不同扫描机型/植入物验证。结论如下：本研究提出并初步验证了适用于伴ICD患者CCT成像的DL基金属伪影消减方案，所展示的放射组学特征保留效果说明该方法不仅改善图像质量且维持诊断完整性，有望拓展此前因金属伪影被排除研究的心脏植入装置患者CCT临床应用价值。
