基于深度学习的口腔颌面部CT图像金属伪影消除与临床验证

作者：曾维; 周善洛; 郭际香; 汤炜^*

来源：中华口腔医学杂志, 2023, 58(06).

• 神经网络(计算机)
• 人工智能
• 图像处理, 计算机辅助
• 体层摄影术, X线计算机
• 深度学习

目的通过训练生成对抗网络(generative adversarial networks, GAN)模型, 构建一种用于消除CT图像金属伪影的神经网络, 以期为临床提供参考。方法收集2017年1月至2022年6月四川大学华西口腔医院影像科就诊患者的CT资料, 共纳入1 000例无伪影CT数据和620例金属伪影CT数据, 包含充填体、冠类、钛板钛钉类、托槽类、金属异物类5种。将400例金属伪影CT数据和1 000例无伪影CT数据用于仿真合成, 构建出1 000对配对的模拟金属及伪影图像和模拟金属图像(每种200对)。在保证5种金属伪影数据相等的情况下, 将整个数据集随机(计算机随机)分为训练集(800对)和测试集(200对), 前者用于训练GAN模型, 后者用于评估GAN模型性能。定量评价测试集均方根误差(root-mean-square error, RMSE)和结构相似性(structural similarity index measure, SSIM)。用训练好的GAN模型对剩余的220例临床病例颌面部CT图像金属伪影进行消除, 并由2名高年资主治医师分别使用改良利克特量表对消除结果进行评价。结果测试集中充填体、冠类、钛板钛钉类、托槽类和金属异物类伪影消除的RMSE值分别为0.018±0.004、0.023±0.007、0.015±0.003、0.019±0.004、0.024±0.008(F=1.29, P=0.274), SSIM值分别为0.963±0.023、0.961±0.023、0.965±0.013、0.958±0.022、0.957±0.026(F=2.22, P=0.069), 总体差异均无统计学意义。2名评价者评分的组内相关系数为0.972, 对于220例临床病例, 改良利克特量表的总体得分为(3.73±1.13)分, 整体消除效果较满意。充填体、冠类、钛板钛钉类、托槽类和金属异物类的改良利克特量表得分分别为(3.68±1.13)、(3.67±1.16)、(3.97±1.03)、(3.83±1.14)、(3.33±1.12)分, 总体差异无统计学意义(F=1.44, P=0.145)。结论本项研究构建的CT图像金属伪影消除GAN模型, 可有效去除金属伪影的干扰, 提升图像质量。

• 单位
  第四军医大学; 军事口腔医学国家重点实验室; 四川大学华西口腔医院; 口腔疾病研究国家重点实验室; 四川大学