基于深度学习的伪影减少：放射科医生和AI分类器对股骨骨髓水肿双能量CT图像质量的评估
亮点
- 骨结构异质性导致的双能量CT伪影挑战骨髓水肿检测，模拟水肿并降低诊断信心。
- 深度学习模型有效减少了伪影，读者评估中图像质量提高达44.3%，分类器评估中达42.7%。
- 人类读者注意到，在伪影存在、水肿缺失的亚组中，股骨上部/中部区域的图像质量提升最为显著。
- 伪影去除后，AI分类器在水肿存在病例中显示出最高的诊断信心提升（68.7%）。
摘要
背景
双能量CT（DECT）能够检测骨髓水肿，但骨结构异质性产生的伪影可能影响图像解释。我们开发了一种深度学习（DL）模型来减少此类伪影，并评估了其在股骨骨髓水肿检测中的临床效用。
方法
本研究回顾性纳入了在1个月内接受髋部DECT和磁共振成像（MRI）的患者。基于Cycle-Consistent生成对抗网络（Cycle-Consistent GAN）的深度学习模型为每个CT切片生成五个伪影减少的图像（DL_5/10/15/25/50）。两位独立放射科医生对图像质量进行了评估，并与原始DECT图像进行对比；同时，一个预训练的AI疾病分类器评估了伪影减少的定量和定性影响。研究根据伪影存在与否、水肿状态以及解剖区域水平进行了亚组分析。读者间一致性通过Cohen线性加权kappa系数进行评估。
结果
研究纳入70名患者共3632个CT切片（平均年龄59岁；33名男性），分为训练集（56名患者，2901个切片）和测试集（14名患者，731个切片）。在测试集中，504个切片存在伪影，163个切片显示水肿。在人类读者评估中，22.0–44.3%的切片图像质量得到改善，0.0-1.6%的切片质量下降，其中DL_10模型显示出最显著的改善效果（39.5–44.3%），特别是在伪影存在但水肿缺失的亚组（38.2–65.3%）以及股骨上部/中部区域（23.6–61.4%）。读者间一致性为中等水平（κ = 0.525）。在基于AI分类器的评估中，DL_10模型在731个测试切片中的312个提高了诊断信心，在52个切片中降低了信心，其中水肿存在亚组的诊断信心提升最为显著（68.7%）。
结论
基于深度学习的伪影减少模型在放射科医生评估中使骨髓水肿检测的图像质量提升比例达44.3%，在AI分类器评估中达42.7%，且图像质量退化比例极低。对于人类读者，该模型在伪影存在/水肿缺失的股骨上部区域表现最佳；而对于AI分类器评估，水肿存在病例的诊断信心提升最为明显。本模型为临床实践提供了有效工具，有助于提高双能量CT在骨髓水肿诊断中的准确性和可靠性。
注：本回顾性研究已获得釜山国立大学梁山医院（Pusan National University Yangsan Hospital）机构审查委员会批准（编号04-2021-043）。
【全文结束】
