上海市東方醫院核醫學科聯合影動醫療利用深度神經網絡對超快速SPECT/CT成像進行增強，并從臨床實踐角度對增強后的圖像進行定量評估。本研究驗證了基于深度學習的方法能夠在僅用1/7掃描時間的情況下生成高質量SPECT骨定量影像，并達到和標準SPECT成像高度一致的水平，在實際臨床應用中具有很大的價值。相關研究成果發表于國際權威期刊《EJNMMI Physics》。論文的第一作者為影動醫療的潘博洋，上海市東方醫院的祁納醫生和孟慶元技師，通訊作者為清華國際創新中心的龔南杰博士和上海市東方醫院的趙軍主任。
研究背景
單光子發射計算機斷層掃描(SPECT)與CT檢查(合稱SPECT/CT)結合了SPECT圖像的分子水平功能和CT圖像的精確解剖細節的優勢。其已被證明在骨骼病變診斷中具有強大的功能，被廣泛用于骨腫瘤轉移的檢測。但該檢查面臨檢查時間長，輻射損傷大的問題。先前的研究已提出不少基于硬件改進的方法來提高圖像質量，但往往會增加掃描時間或注射劑量。本研究旨在通過深度學習技術，從算法層面縮短臨床檢查時間，并減少輻射劑量。從SPECT成像技術原理出發，減少輻射劑量和縮短掃描時間具有相同的物理本質，后者同時有助于提高患者在SPECT/CT檢查中的體驗，減少運動偽影。然而，縮短掃描時間也意味著圖像面臨更高的噪聲噪聲水平、更低的圖像質量和并存在失去診斷價值的風險。
本研究收集了多組匿名的SPECT/CT圖像，基于深度學習方法，對降低掃描時間獲取的圖像進行增強，并對增強后的圖像質量進行定量評估。
研究具有以下創新點：
(1)使用臨床SPECT圖像，而非此前大量研究中使用的模擬數據;
(2)將SPECT圖像與相應的CT進行結合，使得生成圖像具有更準確的解剖細節;
(3)在超高速SPECT(正常檢查的1/7掃描時間)上研究深度學習方法的可靠性;
(4)在真實的臨床數據和體模數據中進一步評估了所提出的研究方法。
實驗設計
受試者在上海市東方醫院注射25-30 mCi(925-1110MBq)的99mTc-MDP后使用西門子Symbia Intevo TT16掃描儀接受全身骨斷層檢查，分別采集標準時長下的斷層顯像和1/7采集時長下的快速SPECT圖像。本研究共收集20組匹配的超高速與標準SPECT/CT圖像用于進一步研究。SPECT掃描能夠提供臨床診斷信息但犧牲了患者的生理解剖結構，而解剖學特征可以由相應的CT圖像進行補充。因此，本研究將1/7 SPECT圖像與CT圖像結合作為輸入，將標準SPECT作為輸出，構建一神經網絡用于增強快速采集的SPECT。
多重評估
量化評估：采用峰值信噪比PSNR和圖像相似度指標SSIM作為評估指標。
臨床評估：兩位醫師獨立地從總體圖像質量、圖像信號細節、是否存在偽影和總體診斷信心等方面按照五分制方法對1/7 SPECT、合成的SPECT和標準SPECT進行評分(1分代表最糟糕，5分代表最好)。
體模研究：將一半的體模圖像用于模型訓練，另外一半用于測試。分別計算1/7 SPECT與合成的SPECT的PSNR與SSIM。
研究結果
1、不同網絡比較
將提出的網絡模型與四個廣泛使用的深度學習架構進行了比較，不同方法在一個測試案例中的可視化結果如圖2所示。
圖2：從1/7 SPECT合成標準SPECT的不同方法的視覺結果
將區域進行放大后呈現更清晰更直觀的可視化結果，用于更好地比較，如圖3所示。
圖3：放大后視覺結果
圖4提供了不同方法與標準SPECT之間的圖像差異的軸向試圖。
圖4：1/7 SPECT、合成方法和標準SPECT的圖像質量的臨床評估結果
研究結果發現，在使用了深度學習算法處理后，1/7 SPECT圖像中顯示的胸部區域的噪聲已被成功去除。同時，CT圖像的輔助輸入提供了清晰的解剖學特征，讓合成的標準SPECT圖像邊界清晰，最終提供了來自不同尺度的豐富的背景信息，改善了解剖結果的細節。
2、臨床評估
1/7 SPECT、合成的SPECT和標準SPECT方法的評估結果顯示，在paired-t檢驗下，合成的SPECT顯著優于1/7 SPECT(P<0.05)。與標準SPECT相比，深度學習增強圖像取得了相同的一般圖像質量(P>0.999)，相近99mTc-MDP的信號細節(P=0.0510)，相同的偽影分布(P=0.3434)和并帶給臨床醫生相同的診斷信心(P=0.1265)。
3、體模研究
結果顯示(圖5)，在1/7SPECT上，只能識別出4個球體，而在合成圖像和標準圖像中，可以分別分辨出5-6個球體。
圖5：不同方法產生幻影圖像的可視化結果
同時，根據SSIM和PSNR數據顯示(表2)，合成SPCET的結果都優于1/7 SPECT。
表2：不同方法的平均SSIM和PSNR比較
討論與展望
該研究在臨床上使用所提出的深度學習方法增強了1/7掃描時間的SPECT/CT圖像的效果。結果顯示，一個無法診斷的SPECT圖像可以通過深度學習方法進行增強，在視覺效果上與標準SPECT相當。定量結果顯示，合成的SPECT圖像的PSNR和SSIM遠遠好于原始的1/7時間SPECT，與其他先進的深度學習方法相比，所提出的方法達到了最佳性能。臨床評估顯示，合成的SPECT圖像的臨床價值遠遠優于低劑量SPECT圖像，與標準SPECT圖像相當。
盡管研究仍有一定的局限性，但研究綜合結果表明，所提出的方法在噪聲水平、解剖結構清晰度和SUV準確性方面都能產生明顯的圖像質量改善，從而能夠在實際的臨床環境中應用，帶來更高效、更優質、更安全的醫學影像診斷。
