《Clinical Neuroradiology》：Deep Learning-Based Image Reconstruction in Ultra-High-Resolution CT Venography for Improved Visualization of Cerebral Venous Drainage
编辑推荐：
目的：评估深度学习增强的超高分辨率CT静脉成像（CTV）在静脉神经血管成像中的诊断信心和图像质量，并与超高分辨率CT数据集和常规分辨率CTV的混合迭代重建进行比较。
方法：这项回顾性、单中心研究纳入了31例疑似脑静脉和硬脑膜窦血栓形成的连续患者，均接受了CT
目的：评估深度学习增强的超高分辨率CT静脉成像（CTV）在静脉神经血管成像中的诊断信心和图像质量，并与超高分辨率CT数据集和常规分辨率CTV的混合迭代重建进行比较。
方法：这项回顾性、单中心研究纳入了31例疑似脑静脉和硬脑膜窦血栓形成的连续患者，均接受了CTV检查。CTV数据集使用混合迭代重建，分别包括(i)常规分辨率CTV（NR-CTV），(ii)超高分辨率CTV（UHR-CTV），以及(iii)专门针对神经血管成像训练的深度学习算法应用于UHR-CTV数据集（DL-UHR-CTV）。定量分析包括信号噪声比（SNR）、对比噪声比（CNR）和频率功率谱（FPS）。三位放射科医生使用4点Likert量表对图像质量、对比度、噪声、伪影、诊断信心以及硬脑膜窦和颅内静脉的可评估性进行定性评估。描述性分析评估了不同重建方式之间静脉病理检测的一致性。
结果：DL-UHR-CTV的SNR和CNR显著高于UHR-CTV（SNR：p=0.02；CNR：p=0.01）。NR-CTV和DL-UHR-CTV相似。与NR-CTV和UHR-CTV相比，DL-UHR-CTV在广泛频率范围内显示出显著较低的FPS振幅。在定性分析中，DL-UHR-CTV在所有参数上均优于UHR-CTV（p<0.001），除了血管对比度（p=0.09），并且在所有类别上均优于NR-CTV（p<0.001）。所有20处静脉病变（12例患者）在三种重建方式上均被检出，无假阳性发现。
结论：与传统迭代重建相比，基于深度学习的重建显著提高了超高分辨率CT静脉成像的图像质量和静脉可视化，能够清晰显示小的静脉结构。
脑静脉和硬脑膜窦的准确可视化对于脑静脉和硬脑膜窦血栓形成等病理状况的诊断至关重要。超高分辨率CT（UHR-CT）已成为神经血管成像的重要工具，能够详细显示颅内血管。然而，UHR-CT存在与高分辨率成像相关的噪声和伪影增加等固有局限，这需要先进的重建技术来提升图像质量和诊断准确性。CT图像重建已从滤波反投影发展到迭代重建，再到深度学习重建（DLR），后者通过进一步降噪和改善图像均匀性来弥补高分辨率成像的关键不足。已有研究表明DLR在头、颈、腹、胸等多个解剖区域可提升图像质量，在颅内动脉CT血管成像中亦证实可显著降低图像噪声并增强小血管显示。然而，DLR在CT静脉成像（CTV）中的潜在价值尚未被系统研究。研究人员假设，深度学习增强的超高分辨率CTV能够比混合迭代重建（HIR）更优越地显示颅内静脉和硬脑膜窦，并提高诊断信心。因此，该探索性研究系统比较了基于深度学习和混合迭代重建在常规及超高分辨率CT静脉成像中的表现，以评估其对静脉神经血管成像图像质量和诊断信心的影响。
该回顾性、单中心研究获得当地伦理委员会批准，纳入2023年1月至2025年1月期间31例因疑似脑静脉和硬脑膜窦血栓形成而接受CTV的连续患者，排除了存在运动或金属伪影影响可评估性的病例。所有图像使用Aquilion Precision CT扫描仪（Canon Medical Systems）采集。UHR-CTV图像采用混合迭代重建（HIR，AIDR 3D）和专门针对神经血管成像训练的深度学习重建算法（AiCE）分别重建，获得UHR-CTV和DL-UHR-CTV数据集，矩阵为1024×1024，层厚0.25 mm。NR-CTV通过将UHR数据中相邻4个体素（2×2）平均降尺度为1个体素生成，转换为512×512矩阵。定量分析使用MATLAB工具计算信噪比（SNR）、对比噪声比（CNR）和频率功率谱（FPS）。三名神经影像专家（经验年限分别为4、8、9年）采用4点Likert量表对图像质量、对比度、噪声、伪影、诊断信心以及各硬脑膜窦和颅内静脉的可评估性进行盲法评估。病理一致性分析中，由一名资深神经放射科医生基于原始临床报告、现有随访影像和临床病程建立复合参考标准，三位盲法读者对所有重建进行独立评估，采用多数规则汇总结果。
**患者队列**：31例患者中，基于参考标准，12例（38.7%）存在静脉病理：窦或静脉血栓5例，肿瘤相关静脉窦受累3例（脑膜瘤），静脉窦狭窄3例（1例特发性颅内高压伴双侧狭窄，2例横窦支架术后），硬脑膜动静脉瘘1例。其余19例（61.3%）无静脉病理。
**定量分析**：DL-UHR-CTV的SNR和CNR显著高于UHR-CTV（SNR：70.1±26.0 vs 60.4±11.8，p=0.02；CNR：58.8±23.9 vs 49.2±10.2，p=0.01）。DL-UHR-CTV与NR-CTV在SNR（70.1±26.0 vs 71.2±18.3，p=0.28）和CNR（58.8±23.9 vs 59.7±16.5）方面无显著差异。FPS分析显示，与NR-CTV和UHR-CTV相比，DL-UHR-CTV在宽频率范围内功率较低，低频时最明显，表明有效抑制了粗粒度噪声；高频段略高，与更细的噪声纹理、更锐利的边缘和更高细节水平一致。
**定性分析**：DL-UHR-CTV在所有参数上均优于NR-CTV（p<0.001）和UHR-CTV（除血管对比度p=0.09外，其余p<0.001）。DL-UHR-CTV在总体图像质量（中位数4 vs 3）、伪影（4 vs 3）、诊断信心（4 vs 3）和图像噪声（4 vs 2）方面均显著优于UHR-CTV。对于上矢状窦、横窦、乙状窦、直窦、下矢状窦、上吻合静脉、下吻合静脉、大脑大静脉、大脑内静脉、基底静脉和丘脑纹状体静脉的可评估性，DL-UHR-CTV均显著优于UHR-CTV（p<0.001）。UHR-CTV在除总体图像质量（p=0.09）和图像噪声（p=1）外的所有项目上优于NR-CTV（p<0.03）。三名读者间一致性良好至优秀（Gwet's AC2 0.890–1.000）。
**病理一致性分析**：复合参考标准共包含12例患者中的20处静脉病变（10处静脉或硬脑膜窦血栓、5处肿瘤相关静脉受累、4处静脉窦狭窄、1处硬脑膜动静脉瘘）。采用多数规则，DL-UHR-CTV、UHR-CTV和NR-CTV均一致检出全部20/20处参考发现，无病变被掩盖，无假阳性发现。所有4处静脉窦狭窄在三种重建上均被一致检出。在患者层面，所有12例参考阳性患者和19例参考阴性患者均在三种重建上获得一致分类。病理特异性评分从NR-CTV到UHR-CTV再到DL-UHR-CTV逐步提高：病变轮廓中位数分别为2、3、4，范围/严重程度评估为2、3、4，静脉窦狭窄评估为2、3、4，DL-UHR-CTV均显著高于其他两种重建（p≤0.001）。
讨论指出，DLR显著改善了UHR-CTV的颅内静脉和硬脑膜窦图像质量，有效补偿了超高分辨率采集固有的噪声代价，使DL-UHR-CTV兼具高空间分辨率和类似常规分辨率的噪声水平。这种优势在较小静脉结构中最为明显，如基底静脉、大脑内静脉、大脑大静脉和下矢状窦，从亚优显示提升至临床可用水平。对于硬脑膜动静脉瘘中静脉瘤和局灶性狭窄的检出、动静脉畸形中静脉引流模式的表征、特发性颅内高压中横窦和乙状窦狭窄的识别，以及脑静脉血栓中皮层静脉受累的评估均有潜在价值。FPS分析提示DLR将噪声从低频粗粒度向高频细粒度转移，但高频升高是否反映细粒度噪声增加或更多图像信息尚不明确。极小的结构如丘脑纹状体静脉在所有重建中仍具挑战性，即使DL-UHR-CTV的中位数评分也仅为1–2，说明DLR虽显著改善但未完全克服CT对最小颅内静脉结构的空间分辨率极限。病理一致性分析未显示DLR掩盖真实病理或产生假阳性，但由于探索性设计且病变数量有限，该结果仅为描述性。研究局限性包括回顾性单中心设计、样本量小且队列异质、NR-CTV由UHR数据降尺度生成而非原生采集、未对多重比较进行校正等。需要更大规模的前瞻性多中心研究，采用原生NR-CTV采集和正式诊断准确性终点来验证这些发现，并评估潜在的辐射和对比剂剂量降低策略。
总之，在这项探索性研究中，与常规迭代UHR-CTV重建相比，超高分辨率CTV的深度学习重建改善了图像质量和血管可视化，将UHR-CTV的高空间分辨率与NR-CTV的低噪声相结合，使得最小的静脉结构也能被清晰显示，并可能增强对硬脑膜窦和颅内静脉的解剖理解以及静脉病理的评估。这些探索性发现需要在更大规模的前瞻性研究中以正式的诊断准确性终点加以证实。
