气道定量 CT（QCT）成像的技术进步引发了广泛关注，因其能为各种气道肺部疾病提供精确客观的评估。越来越多研究表明，QCT 气道参数与阻塞性肺疾病的疾病严重程度临床指标、呼吸道症状、急性加重及死亡率相关。然而尽管该领域已有诸多尝试，尚无 QCT 指标被美国食品药品监督管理局（FDA）认可为有效的中间结局生物标志物，这可能是因其指标存在变异性，导致 QCT 融入常规临床实践颇具挑战。

多数 QCT 指标受多种机械因素影响，包括 CT 设备厂商、扫描采集协议及重建参数（如重建内核和层厚）。既往研究显示重建内核可显著影响气道 QCT 测量，但缺乏对这些差异的全面分析。在全自动气道 QCT 分析中，这些影响可能与手动或半自动定量差异显著，因自动化 QCT 测量既受气道树自动分割影响，也受气道管腔和壁结构测量的影响。此外，不同重建内核引入的变异性成为 QCT 临床广泛应用及大型多中心回顾性数据集开发的重大障碍，因此需标准化成像协议以确保不同中心及患者各时间点 QCT 分析的准确性和可比性，但在现实临床实践中统一这些因素颇具难度。

近年来深度学习（DL）算法在包括图像归一化在内的多种医学影像应用中取得成功，基于 DL 的图像归一化技术旨在降低不同图像间的测量变异性，其在减轻成像协议差异影响、提高测量一致性方面具有巨大潜力，进而增强 QCT 测量的可靠性。对于肺气肿指数，基于 DL 的内核转换改善了测量一致性并提升了该 QCT 指标的预后预测能力。但基于 DL 的图像转换在全自动气道定量中的可行性和有效性仍未被充分探索，需进一步研究。

最近，发表在European Radiology 上的一篇文章评估了不同内核导致的全自动气道定量 CT（QCT）测量变异性及内核转换的效果。

回顾性纳入 96 例于两家中心行非增强胸部 CT 检查的患者，使用三家厂商的四种内核（中等柔和、中等锐利、锐利、极锐利）重建 CT 扫描。将锐利内核图像转换为以中等柔和内核为参考的图像，在转换前后进行全自动气道定量分析。采用方差分析、配对 t 检验和一致性相关系数（CCC）评估内核类型及转换对气道定量的影响。

气道 QCT 测量值（如 Pi10、管壁厚度、管壁面积百分比、管腔直径）随内核锐利度增加而降低（均 p < 0.001），且不同变量和厂商的变异程度各异。内核转换显著降低了 A 厂商（合并 CCC：0.59 vs. 0.92）、B 厂商（0.40 vs. 0.91）的中等柔和与锐利内核图像间变异，以及 C 厂商肺专用锐利内核的变异（0.26 vs. 0.71），但对 C 厂商非肺专用锐利内核无效（0.81 vs. 0.43），且对亚段级气道 QCT 测量变异的改善有限。理论测试中，一致的气道分割和相同解剖标记可改善亚段气道变异性。 

表 应用核转换以及使用不同气道分割掩码前后定量气道测量值的平均值

本项研究表明，基于深度学习的内核转换可降低不同内核和厂商间气道 QCT 的测量变异，但对非肺专用内核和亚段气道效果较差。一致的气道分割与精确解剖标记可进一步提升自动化定量的可靠性。

原文出处：

Jooae Choe,Jihye Yun,Myeong Jun Kim,et al.Leveraging deep learning-based kernel conversion for more precise airway quantification on CT.DOI:10.1007/s00330-025-11696-w