深度学习重建算法联合轴扫的低剂量胸部CT在儿童肺炎支原体肺炎中的诊断价值

doi:10.3969/j.issn.1006-5725.2025.21.019

摘要/Abstract

摘要：

目的探索深度学习重建算法联合轴扫的低剂量胸部计算机断层扫描（CT）在儿童肺炎支原体肺炎（MPP）中的诊断价值，以期为临床工作提供参考。方法选取2024年2月至2025年6月儿童MPP 160例作为研究对象，均行胸部CT检查，扫描方案为低剂量轴扫，分别利用深度学习图像重建（DLIR）算法与常规自适应迭代重建（ASIR-V）进行图像重建，比较DLIR与ASIR-V的客观图像质量［背景噪声（SD）、信号噪声比（SNR）、对比噪声比（CNR）］、主观图像质量、CT征象检出率，并对比DLIR、ASIR-V诊断MPP严重程度与临床诊断的一致性。结果随着DLIR强度和ASIR权重增加，SD逐渐降低，SNR、CNR逐渐升高，且DLIR-H SD低于ASIR-V80%，SNR、CNR高于ASIR-V80%（P < 0.05）；Ridit检验显示，不同DLIR强度下DLIR-H的主观图像质量评分最优，不同ASIR权重下ASIR-V80%的主观图像质量评分最优，且DLIR-H的主观图像质量评分优于ASIR-V80%，差异有统计学意义（P < 0.05）；DLIR-H条件下空气支气管征、肺实变影、间质浸润检出率分别为69.38%、86.88%、20.63%，高于ASIR-V80%的50.00%、71.88%、7.50%，差异有统计学意义（P < 0.05）；一致性分析结果显示，DLIR-H条件下诊断MPP严重程度结果与临床诊断的Kappa值为0.856（95%CI：0.711 ~ 0.996），ASIR-V80%条件下诊断结果与临床诊断的Kappa值为0.498（95%CI：0.346 ~ 0.650）；ROC分析结果显示，DLIR-H、ASIR-V80%诊断MPP严重程度的曲线下面积（AUC）分别为0.925（95%CI：0.872 ~ 0.960）、0.729（95%CI：0.653 ~ 0.796），DLIR-H诊断价值优于ASIR-V80%（Z = 3.952，P < 0.001）。结论深度学习重建算法可有效提高图像质量，DLIR-H联合轴扫的低剂量胸部CT对MPP严重程度具有较高诊断价值，可作为临床诊断MPP严重程度及降低辐射剂量的可行性方案。

关键词: 重建算法, 胸部CT, 低剂量轴扫, 图像质量, 儿童, 肺炎支原体肺炎

Abstract:

Objective To explore the diagnostic value of deep learning image reconstruction （DLIR） combined with low?dose chest computed tomography （CT） with axial scan in the diagnosis of mycoplasma pneumoniae pneumonia （MPP） in children， and to provide reference for clinical practice. Methods 160 cases MPP children from February 2024 to June 2025 were selected as study subjects， and low?dose chest CT with axial scan was performed on all patients. DLIR and conventional adaptive iterative reconstruction?V （ASIR?V） were used for image reconstruction. The objective image quality ［background noise （SD）， signal?to?noise ratio （SNR）， and contrast?to?noise ratio （CNR）］， subjective image quality， and CT sign detection rate were compared， and the consistency of DLIR and ASIR?V in the diagnosis of MPP severity and clinical diagnosis was compared. Results As the intensity of DLIR and the weight of ASIR increasd， SD gradually decreased， while SNR and CNR gradually increased. The high?strength DLIR （DLIR?H） SD was lower than that of ASIR with a blending level of 80% （ASIR?V80%）. The SNR and CNR were higher than those of ASIR?V80%， showing statistical significance （P < 0.05）. Ridit test showed that DLIR?H had the best subjective image quality score under different DLIR intensities， and ASIR?V80% had the best subjective image quality score under different ASIR weights. Furthermore， the subjective image quality score of DLIR?H was higher that of ASIR?V80%， and the differences were statistically significant （P < 0.05）. Using DLIR?H， the detection rates of air bronchogram， pulmonary consolidation， and interstitial infiltration （69.38%， 86.88%， 20.63%， respectively） were higher than those using ASIR?V80% （50.00%， 71.88%， 7.50%， respectively）， and the differences were statistically significant （P < 0.05）. Consistency analysis showed that the Kappa value between the diagnostic results of MPP severity using DLIR?H and clinical diagnosis was 0.856 （95%CI： 0.771 ~ 0.996）， while that between the diagnostic results of MPP severity using ASIR?V80% and clinical diagnosis was 0.498（95%CI： 0.346 ~ 0.650）. ROC analysis showed that the area under the curve （AUC） for diagnosing MPP severity was 0.925 （95%CI： 0.872 ~ 0.960） for DLIR?H and 0.729 （95%CI： 0.653 ~ 0.796） for ASIR?V80%， and the diagnostic value of DLIR?H was superior to that of ASIR?V80% （Z = 3.952， P < 0.001）. Conclusion DLIR can effectively improve image quality. DLIR?H combined with low?dose chest CT with axial scan has high diagnostic value for the severity of MPP， and can serve as a feasible solution for clinical diagnosis of MPP severity and reducing radiation dose.

Key words: reconstruction algorithm, chest CT, low-dose axial scan, image quality, children, mycoplasma pneumoniae pneumonia

中图分类号:

R563.1

韩林梅,任盈丽,李依蔓,黄芬,杜涛明. 深度学习重建算法联合轴扫的低剂量胸部CT在儿童肺炎支原体肺炎中的诊断价值[J]. 实用医学杂志, 2025, 41(21): 3428-3434.

Linmei HAN,Yingli REN,Yiman LI,Fen HUANG,Taoming. DU. Feasibility study of low⁃dose chest CT with deep learning reconstruction algorithm combined with axial scan in children with mycoplasma pneumoniae pneumonia[J]. The Journal of Practical Medicine, 2025, 41(21): 3428-3434.

图/表 7

表1

表2

表3

表4

图1

图2

图3

参考文献 26

[1]	陈茜茜，林秋玉，张湘云，等. 大环内酯类耐药肺炎支原体感染与儿童难治性肺炎支原体肺炎的关系［J］. 实用医学杂志，2024，40（22）：3190-3195.
[2]	XU M， LI Y， SHI Y，et al. Molecular epidemiology of Mycoplasma pneumoniae pneumonia in children，Wuhan，2020-2022［J］. BMC Microbiol，2024，24（1）：23-30. doi:10.1186/s12866-024-03180-0 doi: 10.1186/s12866-024-03180-0
[3]	陈海静，杨亚英，赵卫，等. 增强CT和MRI在鉴别鼻腔鼻窦鳞状细胞癌与淋巴瘤中的应用［J］. 实用医学杂志，2024，40（3）：394-399.
[4]	YANG S H， PU Q， LEI C T，et al. Low-dose CT denoising with a high-level feature refinement and dynamic convolution network［J］. Med Phys，2023，50（6）：3597-3611. doi:10.1002/mp.16175 doi: 10.1002/mp.16175
[5]	DENG J T， MA T， YAN J，et al. Effect of Low Tube Voltage （100 kV） Combined with ASIR-V on the Visualization and Image Quality of the Adamkiewicz Artery：A Comparison with 120 kV Protocol［J］. Diagnostics （Basel），2023，13（15）：2495-2499. doi:10.3390/diagnostics13152495 doi: 10.3390/diagnostics13152495
[6]	CAO J J， MROUEH N， MERCALDO N，et al. Detectability of Hypoattenuating Liver Lesions with Deep Learning CT Reconstruction：A Phantom and Patient Study［J］. Radiology，2024，313（1）：e232749. doi:10.1148/radiol.232749 doi: 10.1148/radiol.232749
[7]	ROSSI A， GENNARI A G， ETTER D，et al. Impact of deep learning image reconstructions （DLIR） on coronary artery calcium quantification［J］. Eur Radiol，2023，33（6）：3832-3838. doi:10.1007/s00330-022-09287-0 doi: 10.1007/s00330-022-09287-0
[8]	ZHONG JY， SHEN H L， CHEN Y，et al. Evaluation of Image Quality and Detectability of Deep Learning Image Reconstruction （DLIR） Algorithm in Single- and Dual-energy CT［J］. J Digit Imaging，2023，36（4）：1390-1407. doi:10.1007/s10278-023-00806-z doi: 10.1007/s10278-023-00806-z
[9]	中华医学会儿科学分会呼吸学组，《中华实用儿科临床杂志》编辑委员会. 儿童肺炎支原体肺炎诊治专家共识（2015年版）［J］. 中华实用儿科临床杂志，2015，30（17）：1304-1308.
[10]	DING G D， ZHANG X B， VINTURACHE A， et al. Challenges in the treatment of pediatric Mycoplasma pneumoniae pneumonia［J］. Eur J Pediatr，2024，183（7）：3001-3011. doi:10.1007/s00431-024-05519-1 doi: 10.1007/s00431-024-05519-1
[11]	袁静，陈庆仪，杨好贤，等. 含凝血功能五项Nomogram预测模型预测重症肺炎支原体肺炎患儿预后的效果研究［J］. 临床误诊误治，2023，36（3）：90-94.
[12]	YANG L X， SUN J H， LI J Y，et al. Dual-energy spectral CT imaging of pulmonary embolism with Mycoplasma pneumoniae pneumonia in children［J］. Radiol Med，2022，127（2）：154-161. doi:10.1007/s11547-021-01442-9 doi: 10.1007/s11547-021-01442-9
[13]	苏布德格日乐，刘伟民，斯琴格日勒，等. 儿童肺炎支原体肺炎急性期高分辨率CT特征与血清炎症因子、病情严重程度及预后的相关性［J］. 放射学实践，2023，38（9）：1173-1177.
[14]	DE SANTIS D， POLIDORI T， TREMAMUNNO G，et al. Deep learning image reconstruction algorithm： Impact on image quality in coronary computed tomography angiography［J］. Radiol Med，2023，128（4）：434-444. doi:10.1007/s11547-023-01607-8 doi: 10.1007/s11547-023-01607-8
[15]	KIM C H， CHUNG M J， CHA Y K，et al. The impact of deep learning reconstruction in low dose computed tomography on the evaluation of interstitial lung disease［J］. PLoS One，2023，18（9）：e0291745. doi:10.1371/journal.pone.0291745 doi: 10.1371/journal.pone.0291745
[16]	陈依林，刘元芬，王莉莉，等. 深度学习重建算法对低kV逆血流扫描下肢动脉CT血管成像图像质量的影响［J］. 中华放射学杂志，2022，56（11）：1188-1194.
[17]	YANG K， CAO J J， PISUCHPEN N，et al. CT image quality evaluation in the age of deep learning： Trade-off between functionality and fidelity［J］. Eur Radiol，2023，33（4）：2439-2449. doi:10.1007/s00330-022-09233-0 doi: 10.1007/s00330-022-09233-0
[18]	KANAN A， PEREIRA B， HORDONNEAU C，et al. Deep learning CT reconstruction improves liver metastases detection［J］. Insights Imaging，2024，15（1）：167-172. doi:10.1186/s13244-024-01753-1 doi: 10.1186/s13244-024-01753-1
[19]	TOIA G V， ZAMORA D A， SINGLETON M，et al. Detectability of Small Low-Attenuation Lesions With Deep Learning CT Image Reconstruction：A 24-Reader Phantom Study［J］. AJR Am J Roentgenol，2023，220（2）：283-295. doi:10.2214/ajr.22.28407 doi: 10.2214/ajr.22.28407
[20]	SVALKVIST A， FAGMAN E， VIKGREN J，et al. Evaluation of deep-learning image reconstruction for chest CT examinations at two different dose levels［J］. J Appl Clin Med Phys，2023，24（3）：e13871. doi:10.1002/acm2.13871 doi: 10.1002/acm2.13871
[21]	LEI L M， ZHOU Y H， GUO X X，et al. The value of a deep learning image reconstruction algorithm in whole-brain computed tomography perfusion in patients with acute ischemic stroke［J］.Quant Imaging Med Surg，2023，13（12）：8173-8189. doi:10.21037/qims-23-547 doi: 10.21037/qims-23-547
[22]	WANG H， LI X Y， WANG T Z，et al. The value of using a deep learning image reconstruction algorithm of thinner slice thickness to balance the image noise and spatial resolution in low-dose abdominal CT［J］. Quant Imaging Med Surg，2023，13（3）：1814-1824. doi:10.21037/qims-22-353 doi: 10.21037/qims-22-353
[23]	ZHENG Z， AI Z， LIANG Y，et al. Clinical value of deep learning image reconstruction on the diagnosis of pulmonary nodule for ultra-low-dose chest CT imaging［J］. Clin Radiol，2024，79（8）：628-636. doi:10.1016/j.crad.2024.04.008 doi: 10.1016/j.crad.2024.04.008
[24]	KOH S， LEE N K， KIM S，et al. The efficacy of low-dose CT with deep learning image reconstruction in the surveillance of incidentally detected pancreatic cystic lesions［J］. Abdom Radiol （NY），2023，48（8）：2585-2595. doi:10.1007/s00261-023-03958-2 doi: 10.1007/s00261-023-03958-2
[25]	ZHU H Y， HUANG Z K， CHEN Q H，et al. Feasibility of Sub-milliSievert Low-dose Computed Tomography with Deep Learning Image Reconstruction in Evaluating Pulmonary Subsolid Nodules：A Prospective Intra-individual Comparison Study［J］. Acad Radiol，2025，32（4）：2309-2319. doi:10.1016/j.acra.2024.11.042 doi: 10.1016/j.acra.2024.11.042
[26]	KLEMENZ A C， ALBRECHT L， MANZKE M，et al. Improved image quality in CT pulmonary angiography using deep learning-based image reconstruction［J］. Sci Rep，2024，14（1）：2494-2498. doi:10.1038/s41598-024-52517-2 doi: 10.1038/s41598-024-52517-2

项目	SD（HU）	SNR	CNR
ASIR-V20%	33.75 ± 5.02	10.81 ± 2.40	12.06 ± 3.49
ASIR-V50%	26.40 ± 4.81	12.96 ± 2.72	16.44 ± 3.65
ASIR-V80%	19.77 ± 4.53	16.67 ± 3.58	23.70 ± 4.22
F值	340.901	162.392	383.056
P值	< 0.001	< 0.001	< 0.001
DLIR-L	28.64 ± 4.04	12.11 ± 2.82	13.62 ± 3.74
DLIR-M	21.89 ± 3.50	16.45 ± 3.75	18.81 ± 3.92
DLIR-H	14.81 ± 4.15	20.95 ± 4.40	28.73 ± 4.31
F值	501.301	226.671	590.284
P值	< 0.001	< 0.001	< 0.001

项目	1分	2分	3分	4分	5分
ASIR-V20%	0（0.00）	11（6.88）	19（11.88）	99（61.88）	31（19.38）
ASIR-V50%	0（0.00）	6（3.75）	13（8.13）	95（59.38）	46（28.75）
ASIR-V80%	0（0.00）	2（1.25）	7（4.38）	82（51.25）	69（43.13）
χ²值	21.972
P值	< 0.001
DLIR-L	0（0.00）	0（0.00）	6（3.75）	116（72.50）	38（23.75）
DLIR-M	0（0.00）	0（0.00）	1（0.63）	99（61.88）	60（37.50）
DLIR-H	0（0.00）	0（0.00）	0（0.00）	64（40.00）	96（60.00）
χ²值	34.982
P值	< 0.001

CT征象	DLIR-H	ASIR-V80%	χ²值	P值
支气管壁增厚	146（91.25）	137（85.63）	2.475	0.116
空气支气管征	111（69.38）	80（50.00）	12.481	< 0.001
淋巴结肿大	53（33.13）	48（30.00）	0.362	0.548
间质增厚	31（19.38）	31（19.38）	0.000	1.000
肺实变影	139（86.88）	115（71.88）	10.995	0.001
间质浸润	33（20.63）	12（7.50）	11.404	0.001
胸腔积液	40（25.00）	34（21.25）	0.633	0.426