Investigative Radiology：使用生成对抗网络进行深度学习实现CT造影剂的减少

碘基造影剂（CM）是计算机断层扫描（CT）诊断中产生血管和软组织对比的重要组成部分。但CM的不良反应种类繁多，包括过敏和类过敏反应、诱发甲状腺功能亢进症和剂量依赖性造影剂诱发的急性肾损伤。

因此，临床上也在不断开发减少造影剂用量的技术，重点是在减少造影剂用量的同时保证图像质量，如噪声比（CNR）。CNR代表对比度和噪声的比率，因此可以受这两个参数的影响。对比度可以通过调整注射方案参数（如CM和盐水注射速度）和调整CT扫描参数（如X射线管电压）来改变。

最近，在人工智能技术进步的背景下，可以证明第三步，即使用生成对抗网络（GAN）进行优化的虚拟对比度增强。这里，网络被训练成从低对比度剂量图像到正常对比度剂量图像的图像转换，以减少50%到80%的所需对比度介质。然而迄今为止，还没有研究通过优化CT或MRI的虚拟造影剂增强来减少动态检查中多个CM阶段的血管和实质造影量。

近日，发表在Investigative Radiology杂志的一项研究建立和验证了肝脏动态CT的优化虚拟对比度增强，并在实验动物模型中使用GAN对真正的低CM和正常CM数据，在每个强化阶段进行评估。

研究使用20只健康的哥廷根迷你猪在3个不同的场合进行了低（低CM，105μL/kg）和正常（正常CM，350μL/kg）造影剂剂量的腹部低千伏CT（90kV）扫描，共120次检查。这些检查包括早期动脉、晚期动脉、门静脉和静脉造影阶段。由于检查不完整，一只动物不得不被排除。19只动物中的3只被随机选择并扣留用于验证（18项研究）。随后，用剩下的16只动物（96次检查）对GAN进行了图像到图像的转换，即从低CM到正常CM（虚拟CM）。为了验证，在腹主动脉、下腔静脉、门静脉、肝实质和自身背部肌肉中进行感兴趣区域测量，并计算对比度-噪声比（CNR）。此外，在视觉图灵测试中向3名放射科顾问展示了正常CM和虚拟CM数据。一方面，医生必须决定哪些图像是来自正常的检查。另一方面，他们必须评估这两幅图像是否符合病理。

平均血管CNR（低CM 6.9 ± 7.0 vs 虚拟CM 28.7 ± 23.8，P < 0.0001）和实质（低CM 1.5 ± 0.7 vs 虚拟CM 3.8 ± 2.0，P < 0. 0001）CNR通过基于GAN的对比度增强在所有对比度阶段明显增加，与正常CM检查无明显差异（血管：虚拟CM 28.7 ± 23.8 vs 正常CM 34.2 ± 28.8；实质性：虚拟CM 3.8 ± 2.0 vs 正常CM 3.7 ± 2.6）。在视觉图灵测试中，放射科顾问报告在96.5%的检查中，正常CM和虚拟CM的图像在病理上是一致的。此外，在91%的病例中，检查者有可能将正常中医的数据识别为这样。

图 早期动脉（左上）、晚期动脉（左下）、门静脉（右上）和静脉（右下）造影剂阶段的低CM、虚拟CM和正常CM图像的示例。CM，造影剂

本项研究使用基于GAN的造影剂增强进行了研究评估，发现多期相肝脏CT所需的造影剂量可以减少70%，但需要对病变进行进一步的研究，以验证病变的正确表现。

原文出处：

Johannes Haubold,Gregor Jost,Jens Matthias Theysohn,et al.Contrast Media Reduction in Computed Tomography With Deep Learning Using a Generative Adversarial Network in Experimental Animal Study.DOI:10.1097/RLI.0000000000000865