基于深度学习的CT金属伪影抑制技术临床应用与图像质量评价

叶小军       阿地里江·肉孜

新疆第六人民医院     830013

摘要

探讨基于深度学习的CT金属伪影抑制（DL-MAR）技术在金属植入物患者CT检查中的临床应用价值，定量与定性评价其图像质量。方法 回顾性纳入2025年1月—12月于本院接受西门子16排CT检查、体内含金属植入物的患者60例，分别行常规CT重建（对照组）与DL-MAR重建（观察组）。对比两组图像的客观指标（CT值、噪声、SNR、CNR）及主观评分（伪影抑制、结构显示、图像降噪），并分析诊断符合率。结果 观察组噪声低于对照组，SNR、CNR高于对照组（P＜0.05）；观察组主观各项评分均显著高于对照组（P＜0.001）。观察组诊断符合率96.67%，高于对照组81.67%（P＜0.05）。结论 DL-MAR技术可有效抑制CT金属伪影，降低图像噪声，提升图像质量与诊断准确性，临床应用价值显著。

关键词：深度学习；CT；金属伪影抑制；图像质量；临床应用

引言

CT是临床评估金属植入物术后的重要影像学手段，但金属植入物（如钛合金螺钉、关节假体等）会导致X射线衰减异常，产生星芒状、条纹状伪影，严重掩盖周围解剖结构，影响诊断准确性。传统金属伪影抑制技术（如NMAR、迭代重建）存在伪影去除不彻底、细节丢失等局限。深度学习技术通过海量数据训练，可自主学习伪影特征并精准抑制，为CT金属伪影校正提供新方向。本研究选取60例金属植入物患者，对比DL-MAR与常规重建的图像质量，评估其临床应用效果，为临床推广提供依据。

资料与方法

一般资料

回顾性纳入2025年1月—12月本院就诊的金属植入物患者60例，其中男性33例、女性27例，年龄28～75岁，平均（51.2±10.5）岁；植入物类型：腰椎内固定22例、髋关节假体18例、颅骨钛板10例、其他10例。纳入标准：体内存在明确金属植入物；行西门子16排CT扫描；图像伪影明显影响观察。排除标准：严重运动伪影；图像质量极差无法评估。本研究经本院伦理委员会批准，患者均知情同意。

检查方法

采用西门子16排CT扫描仪，患者取仰卧位，扫描范围覆盖金属植入物及周围组织。扫描参数：管电压120kV，管电流200～300mA，层厚1mm，重建层厚1.5mm。原始数据分别行两种重建：对照组采用常规滤波反投影重建；观察组采用深度学习金属伪影抑制技术重建，算法基于U-Net架构，双域联合优化，兼顾伪影抑制与细节保留。

图像质量评价

客观评价

选取伪影区、邻近正常组织区及远处正常组织区，测量CT值、噪声（标准差），计算信噪比（SNR）、对比信噪比（CNR），每组测量3次取平均值。

主观评价

由2名高年资放射科医师采用双盲法评分，意见不一致时协商统一。评分标准：①伪影抑制（1～5分，1分伪影最重，5分无明显伪影）；②结构显示（1～5分，1分结构模糊，5分清晰显示）；③图像降噪（1～5分，1分噪声显著，5分噪声极低）。

诊断符合率

以手术病理或随访结果为金标准，计算两组图像的诊断符合率。

统计学方法

采用SPSS26.0软件分析，计量资料以（x±s）表示，组间比较用t检验；计数资料以率（%）表示，组间比较用χ²检验；P＜0.05为差异有统计学意义。

结果

客观指标对比

观察组噪声低于对照组，SNR、CNR高于对照组，差异有统计学意义（P＜0.05）；两组远处正常组织CT值无显著差异（P＞0.05），观察组伪影区及邻近组织CT值更接近正常组织，见表1。

表1 两组CT图像客观指标对比（x±s）

组别	例数	噪声（HU）	SNR	CNR	伪影区CT值（HU）
对照组	60	28.65±5.12	12.34±2.15	8.56±1.89	-120.35±25.68
观察组	60	15.23±3.08	25.67±3.28	18.92±2.54	-35.62±10.25
t值	–	17.256	–	25.689	–
P值	–	＜0.001	＜0.001	＜0.001	＜0.001

主观评分对比

观察组伪影抑制、结构显示、图像降噪评分均显著高于对照组，差异有统计学意义（P＜0.001），见表2。

表2 两组CT图像主观评分对比（x±s，分）

组别	例数	伪影抑制	结构显示	图像降噪
对照组	60	2.15±0.42	2.36±0.51	2.28±0.47
观察组	60	4.52±0.38	4.48±0.41	4.55±0.35
t值	–	32.658	28.965	30.124
P值	–	＜0.001	＜0.001	＜0.001

诊断符合率对比

对照组诊断符合率81.67%（49/60），观察组为96.67%（58/60），差异有统计学意义（χ²=6.982，P=0.008）。

讨论

CT金属伪影的产生源于金属与人体组织X射线衰减系数差异过大，导致投影数据缺失、重建误差增大，传统MAR技术难以平衡伪影抑制与细节保留。深度学习技术通过构建深度神经网络，学习金属伪影的分布特征与正常组织的纹理规律，可精准修复受损投影数据，重建高质量图像。

本研究结果显示，DL-MAR技术可显著降低图像噪声，提升SNR与CNR，客观指标优于常规重建。主观评分中，观察组伪影抑制效果显著，周围解剖结构清晰，噪声干扰少，与潘云龙等研究结论一致。分析原因：DL-MAR算法通过双域联合优化，既在投影域修复金属缺失数据，又在图像域细化纹理细节，避免传统技术的过度平滑或伪影残留问题。

临床诊断中，金属伪影易导致漏诊、误诊，如内固定术后松动、周围组织炎症等难以识别。本研究中，观察组诊断符合率达96.67%，显著高于对照组，证实DL-MAR技术可清晰显示金属植入物与周围组织的关系，为临床诊断提供可靠依据。

本研究局限性：样本量较小，未涉及不同金属材质、不同扫描参数的分层分析；未与其他深度学习算法（如GAN、扩散模型）对比。未来需扩大样本量，优化算法参数，进一步验证其在低剂量CT中的应用价值。

结论

基于深度学习的CT金属伪影抑制技术可有效去除金属伪影，降低图像噪声，提升图像质量与诊断准确性，操作简便、安全性高，为金属植入物患者CT检查提供优质解决方案，具有重要的临床推广价值。

参考文献

[1] 潘云龙,姚小玲,高荣慧,等.深度学习重建算法联合智能去除金属伪影技术改善危重患者上腹部CT的图像质量[J].四川大学学报(医学版),2024,55(6):1403-1409.

[2] 叶子豪,金潼,车子刚,等.基于深度学习的CT图像金属伪影去除研究进展[J].CT理论与应用研究,2025,34(3):499-505.

[3] 胡润蕾,史再峰,孔凡宁,等.基于Mamba的数据与模型混合驱动型CT金属伪影去除网络[J].激光与光电子学进展,2026,63(2):021001.

[4] 孟姗姗,姚悦,孙钰龙,等.能谱CT深度学习重建联合MAR技术对头颈部CTA义齿金属伪影抑制效果的临床研究[J].CT理论与应用研究,2026,35(2):275-282.

...