论文部分内容阅读
第一部分深度学习图像超高分辨率模型的构建目的为实现不增加额外扫描获得超高分辨率肺部CT图像,本研究利用生成对抗网络（generative adversarial networks,GAN）,构建由高分辨率CT（high-resolution computed tomography,HRCT）生成超高分辨率CT（super-resolution computed tomography,SRCT）图像的深度学习模型。资料与方法回顾性收集2020年10月—2021年5月期间在我院复查肺结节患者的512×512矩阵高分辨率CT（high-resolution computed tomography,HRCT）图像和1024×1024矩阵超高分辨率CT（ultra-high resolution computed tomography,UHRCT）图像数据以及体模的HRCT图像和UHRCT图像数据,共计215000幅图像（训练集包括9100幅HRCT图像和2600幅UHRCT图像;测试集包括5950幅HRCT图像和1700幅UHRCT图像）纳入本研究。基于对抗生成网络构建一个深度学习框架,用于CT图像超高分辨率重建。框架由主超分辨率分支和梯度分支组成,在不同的分支上加入不同的损失函数来优化生成图像的目标特征。使用HRCT的梯度图像作为辅助信息,结合原始HRCT图像构建双路图像生成网络从而恢复更丰富的图像细节。比较所构建模型生成的SRCT图像、模拟数据图像、基于生成对抗网络的超高分辨率医学重建图像（medical images SR using generative adversarial networks,Med SRGAN）以及集成识别、残差、循环学习的生成对抗网络（GAN constrained by the identical,residual,and cycle learning ensemble,GAN-CIRCLE）生成图像的峰值信噪比（peak signal to noise ratio,PSNR）、结构相似指数（structural similarity,SSIM）,定量评估该网络生成的SRCT图像质量,并验证梯度引导的有效性。结果研究构建的深度学习模型在临床数据集上生成的SRCT图像PSNR达到32.84,SSIM达到0.872,优于使用模拟数据的其他方法（PSNR:31.46、SSIM:0.840）;优于Med SRGAN生成图像和GAN-CIRCLE生成图像（PSNR分别为31.68、32.31;SSIM分别为0.841、0.863）。结论研究构建的具有梯度引导的网络模型能够由512×512矩阵HRCT图像生成SRCT图像,与其他模拟图像、不同算法模型生成图像、无梯度引导模型生成图像相比具有更佳的图像质量。第二部分深度学习图像超高分辨率模型的性能评估目的对深度学习图像超高分辨率模型生成的超高分辨率CT（super-resolution computed tomography,SRCT）图像质量进行主观评价,验证该模型性能。资料与方法回顾性收集2020年10月—2021年5月在我院放射诊断科进行肺结节复查的患者共29例,所有患者均进行512×512矩阵高分辨率CT（high-resolution computed tomography,HRCT）、1024×1024矩阵超高分辨率CT（ultra-high-resolution CT,UHRCT）靶扫描,并利用已构建的深度学习图像超高分辨率模型生成SRCT图像。三名不同年资的放射科医生对HRCT、UHRCT、SRCT图像的噪声、条纹伪影、肺结节的边缘、小血管的清晰度、正常肺实质的均质性、整体图像质量进行视觉评估,以评价该模型的超分辨性能。采用单因素重复测量方差分析比较HRCT、UHRCT、SRCT图像的噪声、条纹伪影、结节边缘、小血管的清晰度、正常肺实质的均质性和整体图像质量。根据球形检验的不同epsilon值,采用Huynh-Feldt和Greenhouse-Geisser进行校正。Bonferroni校正用于事后检验。P＜0.05时具有显著统计学差异。结果对于噪声的评分由高到低依次为HRCT、SRCT、UHRCT（4.49±0.50、3.38±0.74、2.99±0.77,P＜0.05）;对于条纹伪影的评分由高到低依次为HRCT、SRCT、UHRCT（4.38±0.51、3.70±0.88、2.87±0.64,P＜0.05）;对于小血管清晰度的评分由高到低依次为SRCT、UHRCT、HRCT（4.61±0.60、4.03±0.62、2.85±0.56,P＜0.05）;对于整体图像质量的评分由高到低依次为SRCT、UHRCT、HRCT（4.63±0.57、4.08±0.61、2.90±0.51,P＜0.05）;对于结节边缘和正常肺实质均质性的评分SRCT（分别为4.43±0.60、4.36±0.61）与UHRCT（分别为4.06±0.91、4.25±0.67）无显著差异（P＞0.05）,但明显优于HRCT（分别为2.77±0.73、2.97±0.67,P＜0.05）。结论本研究构建的深度学习CT图像超高分辨率模型,具有优越的降噪、去伪影、提高图像分辨率的性能,较512×512矩阵HRCT图像相比,显著提高了图像质量;较1024×1024矩阵UHRCT图像相比,SRCT图像在噪声、条纹伪影、小血管清晰度、整体图像质量方面表现更为优,在肺结节边缘和正常肺实质均质性方面两者表现相仿。第三部分深度学习超高分辨率图像组学特征稳定性研究目的探讨深度学习方法生成的超高分辨率（super-resolution computed tomography,SRCT）图像对放射组学特征稳定性的影响。资料与方法回顾性收集2020年10月—2021年5月在我院放射诊断科进行肺结节复查的29名患者,共29个结节纳入本研究。每名患者均进行512×512矩阵高分辨率CT（high-resolution computed tomography,HRCT）、1024×1024矩阵超高分辨率CT（ultra-high-resolution CT,UHRCT）靶扫描,并利用已构建的深度学习图像超分辨率模型生成SRCT图像。三名放射科医生使用组学软件对29名患者的SRCT、HRCT和UHRCT图像的肺结节进行半自动分割并提取110个放射组学特征,包括18个一阶统计量、75个纹理特征和17个形状特征。使用组内相关系数（intraclass correlation coefficient,ICC）计算SRCT、HRCT和UHRCT图像上肺结节的组学特征一致性。结果研究构建的深度学习模型生成的SRCT图像与HRCT、UHRCT图像的组学特征一致性总体较好,ICC＞0.8的组学特征占比70%以上,ICC＞0.6的组学特征达到90%以上。SRCT与HRCT的组学特征平均ICC（三位医生的结果分别为0.90、0.90、0.93）较SRCT与UHRCT、HRCT与UHRCT的组学特征平均ICC高。结论本研究构建的深度学习超高分辨率SRCT图像与HRCT、UHRCT图像的组学特征一致性总体较高,组学特征稳定性较好。