作者：魏文恺，崔磊，南通大学第二附属医院放射科
肺癌的发病率位列全球第一，同时也是癌症的主要死亡原因。肺癌早期诊治是提高肺癌5年生存率、改善患者预后的关键。随着肺癌低剂量螺旋CT筛查的推广，
材料特异性图像包括虚拟非增强（VNC）图像和
1. DECT特点
1.1 原理和分类
SECT在单一能量下可能无法区分衰减相似（线性衰减系数重叠）的不同原子序数的材料（例如碘和骨）。使用不同能谱X射线源进行扫描，DECT可以获得额外的衰减测量，区分衰减相似的材料。不同的CT供应商提供不同的双能量技术，分别为单源、双源系统和光子计数探测器CT。
单源系统包括以下4 种：快速kVp 切换系统使用单个X射线源，在图像采集期间以0.5 ms的速度在低能量（80 kVp）和高能量（135~140 kVp）之间快速切换，并使用单个探测器接收来自两个不同能量束的数据；双自旋系统使用单个X射线源和探测器，在2个不同能量水平的连续2次采集中扫描相同的患者体积；双束系统使用在120 kVp下工作的单个X射线源，并在准直器中放置1个由金和锡组成的分流滤光片，过滤后产生低能谱和高能谱；双层系统使用在120 kVp或140 kVp下工作的单个X射线源及2 个分层的探测器，探测器表层吸收低能量光子，深层吸收高能量光子。该系统的一个显著优点是能够在扫描后选择双能量。
双源系统使用2个分别在低能量和高能量下独立工作的X射线管，以及2个同时获取和处理双能量数据的探测器。双源CT不仅机架旋转时间短，扫描速度快，还可以通过调整管电压来最大限度地提高光谱对比度和辐射剂量效率，以及使用管电流自动调制。然而，2个球管视野受限，限制了胸壁异常或体型巨大的部分患者的双能量数据采集。
光子计数探测器技术是CT硬件的最新迭代，其采用一步法，通过晶体半导体将X射线直接转换为电子。在这一过程中，探测器根据能量将光子直接分成2~8个能量分箱，从而可以从单个来源获取不同能级。它显著提高了空间分辨率和图像对比度，同时还能进行多能量成像。
1.2 材料分解图像
VNC图像通过在增强图像上减去组织中的碘含量，得到虚拟非增强图像。这些虚拟图像可以描绘出钙化、脂肪和出血的小病灶，与真实的非增强图像相似，有助于病灶特征的描述。碘特异性图像显示碘在组织中的分布和数量，提供增强的测量值。这些图像可以显示为纯碘图像，也可以通过将碘含量叠加到VNC图像上，显示为碘叠加图像。使用者可以通过勾画感兴趣区域（ROI），测量碘浓度（IC）及标准化碘浓度（NIC）。
IC能提供病灶对比剂的定量信息，在一定程度上反映病灶的微血管密度和血供情况。NIC是指ROI内的碘浓度相对于组织或血管中的另一个ROI标准化，能够减少血流动力学因素对不同个体间病灶绝对增强的影响，从而提高不同病例间的可比性。VMI图像是模拟了真正单能量X射线源采集的图像的衰减（以Hounsfield单位显示）的灰度图像。
模拟的X射线能量以keV为单位显示，范围在40~200 keV之间，因制造商而异。由于接近碘的K边缘，低keV图像具有更高的图像噪声和对比度。高能图像虽然对比度较低，但可以减少线束硬化伪影和金属伪影，降低噪声。通过勾画ROI 可以获得不同keV下的CT值（CTkeV），并生成能谱曲线斜率图，计算得到能谱曲线斜率λHU。能谱曲线能够反映具有不同化学成分的组织对X射线的不同吸收率，它显示了不同物质在不同能量水平下CT值的动态变化。
DECT 后处理应用程序Rho-Z 通过Zeff 和ED对材料进行分解，并通过材料成分分析，根据材料的相对原子序数对不同材料进行识别和表征。Zeff是由原子序数推导出的定量指标，能反映不同物质的原子构成情况，是组织成分的特征，可用于确认组织结构是否有碘。
2. 材料分解图像在肺结节中的应用
2.1 良恶性鉴别
常规CT在评估肺结节的形态学特征和增强特征方面发挥着重要作用，但一些良性和恶性结节的病变形态和增强模式高度相似，因此鉴别肺结节良恶性仍然是一项巨大挑战。多项研究证明，良恶性肺结节的DECT定量参数间有显著差异。有研究发现，恶性结节在动脉期和静脉期的CT40 keV~CT140 keV （间隔5 keV）及IC均高于良性结节，且65 keV的VMI图像在静脉期区分孤立性肺结节（SPNs）良恶性时具有最佳效能，ROC曲线下面积（AUC）为0.858。
有研究纳入更多DECT定量参数，发现恶性SPNs的IC、NIC、λHU、Zeff及部分衍生参数均大于良性SPNs，且NIC具有最佳的预测效能，AUC为0.869。影像组学可以从医学图像中提取许多定量特征，并将其转换为可挖掘的数据，用于后续分析这些特征和疾病的潜在病理变化之间相关性。
目前已有研究将DECT 和影像组学两种技术创新结合。有研究基于70keV的VMI分别构建动脉期、静脉期及双期组合的影像组学模型来鉴别SPNs。结果显示组合模型效能最佳，AUC为0.877。另有研究不仅构建影像组学模型，还根据重要临床特征和DECT参数构建常规模型，最后又构建了两种模型的结合模型，结果表明基于65 keV下VMI的影像组学模型和结合模型的诊断效能明显高于传统模型（AUC=0.96、0.97 vs 0.86）。综上，DECT定量参数及基于DECT的影像组学在鉴别肺结节的良恶性方面均有较高的临床应用价值，可用于肺癌的早期筛查。
2.2 预测肺癌病理分型
肺癌按病理可分为小细胞肺癌（SCLC）和
也有研究发现腺癌的动静脉期DECT定量参数（IC、NIC、Zeff、λHU）高于鳞癌，该研究开发了基于DECT定量参数和影像组学特征与临床病理特征相结合的组合模型来区分腺癌和鳞癌，发现组合模型具有最高的诊断效能，AUC为0.952。而另有研究表明，除了一项定量参数外，其余定量参数未观察到显著差异，该研究认为可能是纳入的病例多为SPNs而非肺部肿块，病灶体积小，即使是鳞癌也可能没有表现出明显的坏死。此外，病灶勾画软件会自动避开明显坏死和增强的区域，ROI主要位于密度均匀的病灶中。
目前，临床实践中发现的磨玻璃结节（GGNs）的数量也在不断增加。当GGNs在高分辨率CT上持续存在时，通常表明存在肺腺癌或其前驱病变，包括浸润性腺癌、微浸润性腺癌、原位腺癌和非典型腺瘤性增生。术前判断GGNs的浸润性显著影响手术介入的选择和患者的预后结果，有助于临床医生制定个性化的治疗方案。
有研究分别基于CT特征、DECT定量参数及两者联合建立预测GGNs 浸润性的诊断模型，结果表明组合模型对鉴别GGN型肺腺癌病理亚型有较高的诊断效能，其AUC为0.889。有学者通过静脉期数据生成50 keV和150 keV的VMI 图像，并从中提取影像组学特征建立模型，结果表明影像组学模型预测GGNs的浸润性具有良好价值，且诊断效能优于临床-DECT模型，训练集和测试集的AUC分别为0.957 和0.865。对于DECT的定量参数，Zeff和NIC被认为是重要鉴别指标。
近期有研究提取多模态能量图像（包括常规CT图像、60 keV的VMI图像和ED图像）的影像组学特征，建立组合模型，训练集和测试集的AUC分别为0.961和0.944。将不同模态的影像组学特征串联起来进行综合分析，既可以弥补单模态分析的不足，又可以提供病变的各种信息，同时保证模型的预测性能更加稳定可靠。气腔播散（STAS）被认为是肺腺癌新的浸润方式，是患者远期预后的独立危险因素，且诊断多依赖术后常规病理，因此术前诊断尤为重要。
为了评估DECT对STAS的术前预测价值，有学者回顾性分析了225 例肺腺癌患者，结果发现非STAS 组的动静脉期Zeff明显高于STAS组，并且ED也有显著差异；此外，该研究建立了基于CT形态特征的传统模型、基于DECT参数的模型及两者的组合模型，结果表明组合模型具有更好的临床价值，其AUC为0.84。
2.3 预测肿瘤分化程度
肿瘤的分化程度是患者治疗和预后的重要因素，准确区分肿瘤的分化程度极为重要。有研究通过DECT结合形态学特征评估肺腺癌分化程度，发现除了静脉期NIC外，动静脉期高分化组和中分化组的所有参数均高于低分化组。此外，低分化组和中分化组的ROC曲线显示，NIC在动脉期的诊断效率最高，AUC为0.817；结合形态学特征后，AUC升至0.916。
有学者将浸润性腺癌患者分为低级别组（高和中分化）和高级别组（低分化），并且构建了基于DECT的影像组学模型，结果发现影像组学模型在预测肿瘤分化方面表现良好，在训练集和测试集中的AUC 分别为0.997 和0.743。综上，DECT定量参数有助于预测肿瘤分化程度，并且通过影像组学可以提高预测效能。
2.4 预测肺癌基因表达
表皮生长因子受体（EGFR）和间变性大细胞
另有研究发现静脉期NIC在预测EGFR突变状态方面表现出最佳性能，AUC为0.897，高于文献的结论。对于预测ALK方面，有学者发现ALK突变组和野生组间只有静脉期水基值有差异，其余DECT定量参数的差异无统计学意义，这与一项初步研究的结果一致，该研究认为可能是因为ALK基因较少而导致肿瘤微血管明显变化且该基因突变率较低。总之，DECT定量参数可能成为识别肺腺癌及EGFR、ALK突变状态的潜在预测指标。
2.5 疗效及预后评估
基于RECIST标准，肺肿瘤的治疗效果根据治疗前后肿瘤长度的变化来评估。然而，肿瘤的形态和组成在治疗过程中并没有均匀和规律的变化，实际肿瘤长度的测量不准确。因此，仅仅依靠这种传统方法，可能无法获得准确、早期的疗效信息。早期研究发现，反映肿瘤血流状态的IC是监测疗效的潜在指标。
有研究纳入34例行化疗的NSLSC患者，并根据RECIST标准分为有效组和无效组，测量化疗前后的DECT定量参数，结果表明化疗后有效组的动静脉期NIC较化疗前降低，且静脉期NIC变化更显著；静脉期NIC和λHU能够预测晚期NSLSC化疗疗效。
有学者使用DECT碘图评估接受化疗或同步放化疗的NSLSC患者，同样发现治疗有效组动静脉期IC和NIC降低，且动脉期IC变化值及NIC变化值可以准确有效地帮助评估NSLSC的疗效（AUC=0.900、0.880），可作为反映肺癌疗效的有效补充参数。以上研究表明，使用DECT 定量参数评估NSLSC的疗效可以为临床监测和评估提供一种新的方法。肺癌目前仍是预后最差的肿瘤之一，其预后很大程度是基于病理分期来预测的。
尽管病理分期简单易用，但难以精确分层患者。同一阶段的患者在术后的复发率和生存率方面差异显著，需寻找补充参数以更准确地预测可切除疾病患者的预后及指导治疗。有学者通过在DECT碘图中提取影像组学特征来预测可切除肺癌患者的生存结局，发现DECT碘图的影像组学特征是生存率（包括总生存期和无病生存期）的独立预测因子，与分期系统结合时具有增量价值，可为可切除肺癌患者提供预后信息。
3. 小结和展望
尽管DECT的材料分解图像在鉴别肺结节良恶性，预测肺癌病理分型、肿瘤分化程度、肺癌基因表达及疗效评估和预后等方面提供了以前SECT无法实现的应用，但其仍存在一些问题：其扫描方法、设备及参数数据均缺乏统一标准，导致不同研究之间的可比性差，研究结果难以推广和验证；Zeff和ED尚未得到很好的研究；影像组学研究需要额外的软件，且可重复性和再现性并未得到良好的证实。因此，应建立和完善DECT的标准化操作流程和参数数据，提高诊断的一致性和准确性。未来DECT与影像组学乃至深度学习紧密结合，可更深入地挖掘图像特征信息，全面刻画肿瘤的空间异质性，进一步提高鉴别诊断准确性。
来源：魏文恺,崔磊.双能CT材料分解图像在肺结节中的应用进展[J].分子影像学杂志,2025,48(01):126-130.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
