原发性肝癌在 2022 年是全球确诊数量排名第六的癌症，每年新增 86.5 万例，并且是癌症死亡的第三大原因。肝细胞癌（HCC）占这些癌症的 80%，这使得其诊断和监测成为一个全球性的公共卫生问题。主要的风险因素是慢性乙型或丙型肝炎感染，其他风险因素包括过量饮酒、超重以及 2 型糖尿病等。

不同的检查方式，如造影增强超声、计算机断层扫描（CT）和磁共振成像（MRI），都被用于检测和随访。计算机断层扫描（CT）是一种易于操作的成像技术，采集时间短且空间分辨率高，能够依据肝脏影像报告和数据系统（LI - RADS）分类对疑似肝细胞癌（HCC）的病变进行分类。

目前的研究显示，磁共振成像（MRI）虽然检查时间较长且费用更高，但在相同特异性的情况下，其对每个病灶的敏感度高于计算机断层扫描（CT）。不过，磁共振成像（MRI）在某些条件下（如存在腹水的患者、屏气不佳的患者、肝失代偿患者）容易受伪影影响，并且对膈下病变的敏感度会降低。然而近年来，计算机断层扫描（CT）中部署了新的重建算法，这有可能带来图像质量的提升。

最常用的计算机断层扫描（CT）重建技术是迭代重建（IR）技术，其中自适应统计迭代重建（ASIR）算法能够在降低辐射剂量的条件下抑制图像噪声并提升图像质量。出于同样的目的，基于深度学习（DL）的重建技术也得到了发展，它利用深度神经网络模拟高质量图像，同时确保图像噪声低、能抑制条状伪影且分辨率高。

深度学习（DL）图像带来的改进能够使疑似肝脏病变更好地可视化。当前的研究往往表明，在与常规重建相同的辐射剂量下，肝脏病变和转移灶整体上更易被观察到。近期研究显示，与标准采集相比，通过深度学习（DL）重建的低剂量采集在肝细胞癌（HCC）病变检测方面并不逊色。因此我们可以设想，如果保持与自适应统计迭代重建（ASIR）相同的剂量采集，那么对于疑似肝细胞癌（HCC）的病变能够实现更好的可视化、更准确的特征描述以及更高的诊断信心。

最近，发表在European Radiology 上的一篇文章比较了自适应统计迭代重建（ASIR）和深度学习重建（DLR）中疑似肝细胞癌（HCC）病变的特征及其肝脏影像报告和数据系统（LI - RADS）分类情况，并与磁共振成像（MRI）图像进行对比，同时也比较了放射科医生的诊断信心。

本项前瞻性单中心试验纳入了在 2023 年 2 月至 8 月期间 7 天内先后接受了肝脏四期计算机断层扫描（CT）和多期造影增强磁共振成像（MRI）检查的患者。比较了依据两名放射科医生判断的自适应统计迭代重建（ASIR）、深度学习重建（DLR）以及磁共振成像（MRI）技术下的病变特征、肝脏影像报告和数据系统（LI - RADS）分类以及诊断信心评分。若患者至少存在一个病变，则被纳入肝细胞癌（HCC）组，否则纳入非肝细胞癌（HCC）组。由于磁共振成像（MRI）是敏感度最佳的技术，通过加权卡方系数计算自适应统计迭代重建（ASIR）与磁共振成像（MRI）之间以及深度学习重建（DLR）与磁共振成像（MRI）之间病变特征和肝脏影像报告和数据系统（LI - RADS）分类的一致性。诊断信心评分以均值和标准差来表示。

研究共纳入 89 名患者，其中肝细胞癌（HCC）组有 52 名患者（平均年龄 ± 标准差为 67 岁 ± 9 岁，男性 46 名），非肝细胞癌（HCC）组有 37 名患者（平均年龄 ± 标准差为 68 岁 ± 9 岁，男性 33 名）。自适应统计迭代重建（ASIR）与磁共振成像（MRI）的肝脏影像报告和数据系统（LI - RADS）分类的一致性系数为 0.64 [0.52；0.76]，显示出较好的一致性；深度学习重建（DLR）与磁共振成像（MRI）的一致性系数为 0.83 [0.73；0.92]，呈现出极好的一致性。自适应统计迭代重建（ASIR）的诊断信心均值 ± 标准差分别为 3.31 ± 0.95 和 3.0 ± 1.11，深度学习重建（DLR）的诊断信心分别为 3.9 ± 0.88 和 4.11 ± 0.75，磁共振成像（MRI）的诊断信心为 4.46 ± 0.80 和 4.57 ± 0.80。

表 DLR与MRI检查病灶的一致性

本项研究表明，深度学习重建（DLR）与磁共振成像（MRI）在肝脏影像报告和数据系统（LI - RADS）分类方面呈现出极好的一致性，而自适应统计迭代重建（ASIR）呈现出较好的一致性。放射科医生在深度学习重建（DLR）中的诊断信心高于自适应统计迭代重建（ASIR），但在磁共振成像（MRI）组中诊断信心仍是最高的。

原始出处：

Clément Malthiery,Gabriela Hossu,Ahmet Ayav,et al.Characterization of hepatocellular carcinoma with CT with deep learning reconstruction compared with iterative reconstruction and 3-Tesla MRI.DOI:10.1007/s00330-024-11314-1

Tags： European Radiology：肝细胞癌CT深度学习重建与迭代重建和3T MRI的表征