眾所周知，肝髒轉移是腫瘤患者腹部CT最常見的並發症之一，早期發現並確定肝轉移，可以為患者製定最佳的治療方案並延長生存期。然而，由於CT的軟組織對比度分辨率較低，CT檢測轉移灶的敏感性比MRI低。雙能量CT(DECT)中的虛擬單能成像(VMI)是用於增強CT圖像中軟組織對比度的方法之一。

        在低單能級(即40-50KeV)的VMI中可通過利用碘的明顯衰減增加來增加碘的對比度，這是由於碘在33KeV的K邊以上的光電效應增加所致。然而，碘對比度的增加導致了圖像噪聲的相應增加。在40-keV或50-keV的VMI下，圖像噪聲急劇增加，降低了碘對比度-噪聲比(CNR)。

        最近的研究表明，與傳統的迭代重建算法相比，深度學習模型(DLM)重建算法可以通過抑製圖像噪聲和保留結構細節來提高圖像質量。然而，隻有少數研究將DLM重建算法應用於VMI數據集。據報道，供應商特定的應用於胰腺期70-keV VMI的DLM重建算法(TrueFidelityTM 2.0，GE Healthcare)可以改善胰腺癌的圖像質量和病灶的顯示。然而，供應商的特異性限製了該技術的普遍使用。最近有研究提出了一種與廠商無關的DLM重建算法，該算法應用於小兒腹部CT的60-keV VMI，顯示了相當的圖像質量並同時降低了輻射和碘的劑量。

        近日，發表在European Radiology雜誌的一項研究與標準線性混合圖像(模擬100-KVp)和原始40-keV VMI相比，評估了供應商診斷性DLM重建的40-keV VMI在肝轉移灶圖像質量和診斷性能方麵的價值，為臨床早期、準確的對肝轉移灶進行診斷提供了技術支持。

        本項回顧性研究包括131名在門靜脈期接受增強DECT(80-kvp和150-kvp，帶錫過濾器)以監測肝轉移的患者。對模擬100-kvp圖像(100-kvp)、標準40-keV VMI圖像(40-keV VMI)和使用供應商診斷的DLM(即DLM 40-keV VMI)進行的40-keV VMI後處理的線性混合圖像驚喜你個重建。病變的明顯性和診斷的可接受性由三個獨立的審查員評估，並使用Wilcoxon符號秩檢驗進行比較。將ROI置於轉移病灶和肝實質中對對比度-噪聲比(CNRs)進行測量。通過使用jackknife替代自由反應ROC方法評估了肝髒轉移的檢測性能。兩個獨立的放射科醫生的共識被作為參考標準。

        DLM 40-keV VMI與40-keV VMI和100-kvp相比，顯示出更高的病灶比肝實質的CNR(8.25 ± 3.23 vs. 6.05 ± 2.38 vs. 5.99 ± 2.00)、更好的病灶顯像(4. 3 (4.0-4.7) vs. 3.7 (3.7-4.0) vs. 3.7 (3.3-4.0))以及更好的診斷接受性(4.3 (4.0-4.3) vs. 3.0 (2.7-3.3) vs. 4.0 (4.0-4.3)) (所有的P<0.001)。對於病灶檢測(68名患者的246個肝轉移灶)，DLM 40-keV VMI的優點明顯高於40-keV VMI(0.852 vs. 0.822，p = 0.012)，而DLM 40-keV VMI和100-kVp之間不存在明顯差異(0.852 vs. 0.842，p = 0.31)。

        圖 77歲男性結腸癌患者的門靜脈相圖像。與模擬的100千伏圖像(a)和使用噪聲優化的VMI重建算法(b)處理後的40千伏虛擬單能圖像(即40千伏VMI)相比，使用深度學習模型(DLM 40千伏VMI)重建的40千伏圖像(c)顯示了更好的圖像噪聲和肝髒第6段轉移灶的顯示(箭頭)

        本研究表明，與ADMIRE的標準線性混合圖像相比，基於DLM的40keV VMIs重建在檢測肝髒轉移灶方麵提供了更好的圖像質量和可比較的診斷性能。

        原文出處：

        Taehee Lee,Jeong Min Lee,Jeong Hee Yoon,et al.Deep learning-based image reconstruction of 40-keV virtual monoenergetic images of dual-energy CT for the assessment of hypoenhancing hepatic metastasis.DOI:10.1007/s00330-022-08728-0