尽管肝细胞癌（HCC）的治疗取得了很大程度的发展，但5年的肝内复发率高达80%。因此在HCC治疗后，临床上强烈建议使用动态增强成像和血清甲胎蛋白（AFP）水平对患者进行密切监测以识别残留肝脏中的早期HCC复发。动态CT或MRI常用于HCC监测，其中CT比动态MRI具有成本低、检查时间短、图像质量可靠性高等优点。然而，重复辐射和碘暴露是动态CT的固有缺点。碘化造影剂最关键的副作用包括剂量依赖性的造影剂引起的肾脏损伤、甲状腺功能障碍和非剂量依赖性的过敏反应。此外，中度至重度超敏反应在高对比剂剂量下更常出现。

因此，临床上引入了先进的CT技术以减少对比度和辐射剂量而不损失图像质量。其中，混合或基于模型的迭代重建（IR）技术已被广泛应用于CT图像重建的标准技术。然而，由于主观图像质量、对比度分辨率和解剖细节的降低在降低对比度和辐射剂量方面仍然存在挑战。最近，用于图像重建的深度学习（DL）算法获得了临床的很多关注，该技术可用于降低噪音和提高空间和对比度分辨率，可改善图像质量和病变的明显性。此外，深度学习算法从临床和模型图像的各种实际信息中实现了量身定制的复杂功能，如噪声模型和CT扫描仪的技术特征。

通过使用生成对抗网络计算双能量CT检查的碘图，理论上证明了DL模型可以在保持图像质量的同时减少50%的碘化对比剂所需剂量。使用DL的碘增强模型会实现更好的病变检测和改善高血管肿瘤（如HCC）的诊断性能，并可能减少所需的对比剂和辐射剂量。

近日，发表在European Radiology杂志的一项研究比较了带有深度学习的增强（DL-CB）算法的双低剂量（DLD）方案和带有迭代模型重建算法的标准剂量（SD）方案在监测HCC方面的定量和定性图像质量和对病变显示的明显性。

本项研究所有招募的参与者接受了四阶段动态CT（NCT04722120）。所有患者随机分配到标准剂量（SD）或DLD方案。所有CT图像最初使用迭代重建，并采用DLD方案的图像使用DL-CB算法（DLD-DL）进一步处理。主要终点是对比度-噪声比（CNR），次要终点是图像质量的定性（噪声、肝脏病变和血管显影），三级终点是病变检出率。采用t检验或重复测量的方差分析法进行分析。 

68名参与者有57个肝脏局灶性病变（20个有HCC，37个有良性发现）。与SD方案相比，DLD方案的辐射剂量（DLP，855.1 ± 254.8 mGy-cm vs. 713.3 ± 94.6 mGy-cm，p = .003）降低了19.8%，造影剂剂量（106.9 ± 15.0 mL vs. 77.9 ± 9.4 mL，p < .001）。比较分析表明，DLD-DL方案的CNR（p < .001）和门静脉显像（p = .002）明显高于SD方案。SD方案和DLD-DL在所有病变（82.7% vs. 73.3%，p = .140）和HCC（75.7% vs. 70.4%，p = .644）的病变检出率方面没有显著差异。 

图  在一位体重指数为24.2kg/m²的53岁女性身上，双低剂量（DLD）迭代模型重建（IMR）和基于DLD深度学习的碘对比增强（DL-CB）图像质量的个体间比较。与DLD-IMR（b，d，f）相比，DL-CB图像（a，c，e）在AP（a，b）PVP（c，d）和DP（e，f）上显示出更低的主观图像噪音和更好的门静脉血管清晰度（箭头）

与标准剂量采集相比，双低剂量CT上的DL-CB提供了更好的主动脉和门静脉CNR，而没有明显降低HCC的检出率，即使在HCC的高风险参与者中亦是如此。 

原始出处：

Hyo-Jin Kang,Jeong Min Lee,Chulkyun Ahn,et al.Low dose of contrast agent and low radiation liver computed tomography with deep-learning-based contrast boosting model in participants at high-risk for hepatocellular carcinoma: prospective, randomized, double-blind study.DOI:10.1007/s00330-023-09520-4