通过学习到的虚拟单能量成像技术实现CT数据的一致性，从而实现跨KV扫描的转换和放射组学的可重复性

《MEDICAL PHYSICS》：CT data harmonization via learned virtual monoenergetic imaging for cross-kV scan translation and radiomics reproducibility

CT能量和谐化框架TANZANITE通过虚拟单能成像实现跨kV扫描转换，采用预训练CNN映射能量等效kV值，显著提升肝、肾、脊柱CT值一致性（误差<3%）及放射组学特征可重复性（CCC从0.30-0.59提升至0.97-0.995）。

　　

摘要

背景

放射组学从计算机断层扫描（CT）数据中提取定量成像特征，以支持临床决策。然而，采集参数的变化——尤其是X射线管电压（kV）——会导致衰减值出现非生物学性的差异，从而限制了不同扫描仪、协议和机构之间放射组学特征的可重复性。

目的

开发并评估一个基于深度学习虚拟单能成像（TANZANITE）的CT数据协调框架，该框架利用虚拟单能图像（VMIs）的kV灵活性来实现跨kV扫描的转换和放射组学的协调。

方法

TANZANITE是一个由多个预训练的卷积神经网络（CNNs）组成的模型中心，每个网络都设计用于将VMIs从一种kV水平转换为另一种kV水平。首先使用基于模体的校准方法来确定与每个管电压相对应的能量等效（Eff_E）kV水平（例如，源kV下的Eff_E(A) keV和目标kV下的Eff_E(B) keV）。从TANZANITE中心选取了一个使用69,120个来自7个患者案例的图像块进行训练的CNN，该CNN能够将VMIs从Eff_E(A)转换为Eff_E(B)，并直接应用于在源kV下获取的临床CT图像。这种方法使图像的衰减特性与目标kV设置相匹配。评估是在100/Sn150 kV下获取的独立双能CT数据集上进行的。在肾脏、肝脏和脊柱区域放置了感兴趣区域（ROIs），以评估CT数值的一致性和放射组学特征的可重复性。计算了93个非形状放射组学特征的一致性相关系数（CCC）。

结果

经过TANZANITE处理后，100 kV图像的CT数值在四个测试患者案例中与Sn150 kV的参考值非常接近。例如，肾脏的平均CT数值从320 HU（100 kV）变为156 HU（TANZANITE），接近Sn150 kV的160 HU。肝脏（157–105 HU vs. 参考值104 HU）和脊柱（45–22 HU vs. 参考值19 HU）也观察到了类似的变化。各器官的放射组学可重复性显著提高：肝脏的平均CCC从0.590增加到0.995，肾脏从0.300增加到0.970，脊柱从0.630增加到0.968。在TANZANITE处理后，所有三个代表性器官中超过98%的特征满足了稳定性阈值（CCC ≥ 0.900）。

结论

TANZANITE通过学习VMI域中的kV到kV的转换，并将预训练的CNN应用于临床kV图像，提供了一个灵活的图像域协调框架。该方法无需原始投影数据或特定于扫描仪的训练，即可提高CT数值的一致性和器官特异性放射组学的可重复性。这种方法支持在多kV采集协议下进行一致的定量成像，从而增强了临床环境中放射组学的可靠性。

利益冲突声明

Cynthia H. McCollough获得了西门子医疗公司对该机构的研究资助。其他作者没有需要披露的相关利益冲突。