摘要
该论文通过简要介绍CT图像重建的总体演变及其临床实施来回答从传统的滤波反投影到人工智能的变迁。
关键词:断层扫描,x射线图像重建,人工智能
CT基本参数包括管电流(mA)、管电压(kV)、螺距、体素大小、切片厚度、重建滤波器和旋转次数。
最初,CT图像是用一种被称为代数重建技术的迭代方法来重建的(ART)。由于缺乏计算能力,该技术很快被简单的分析方法所取代,如滤波反投影(FBP)。
从概念到临床需求
图像噪声和辐射暴露之间存在着直接的比例关系,辐射剂量的降低会显著增加图像噪声的影响。
FBP的好处是重建时间短,但主要缺点是它将原始数据输入“黑盒”。只有非常有限的模型和先前信息可以应用,例如适当模型图像噪声当少量光子到达CT检测器。
当临床扫描仪使用FBP进行操作时,CT研究界花了大量精力开发先进的迭代算法,目标是使低剂量CT具有高诊断质量。这些发展可以大概分为三种基本方法:(i)基于正弦图的,(ii)基于图像域的,和(iii)完全迭代算法。Veo是第一个临床完全迭代算法,它是迄今为止最先进的算法之一。通过IR算法,辐射剂量可以减少23-76%,而不影响图像质量。
当前和未来的发展
虽然与IR相关的临床出版物的数量和引入新的临床算法的速度已经放缓,但减少辐射暴露的挑战仍然是一个高度关注的话题。到目前为止,大多数剂量减少策略仍然是在降低管电流或管电压的领域,而红外算法确保了一个可接受的诊断图像质量。
压缩感知
减少辐射暴露的另一种根本不同的方法是获取较少的投影图像。这种受压缩感知启发的策略被广泛称为稀疏采样CT。这种方法允许获得较少的投影数量,而每个单独的投影图像的辐射曝光率仍然很高。稀疏采样采集的明显好处是,在规避电子读出噪声的影响的同时,提高了每个单独的投影的质量(例如,提高了信噪比)。
深度学习
将先进的先验知识集成到迭代算法中是一个并行发展。与传统的FBP相比,迭代技术允许将先验知识集成到重建过程中。一个想法是利用以前的检查作为图像形成过程的一部分。例如,在肿瘤随访中,许多患者接受了对同一解剖区域的连续研究。通过在扫描之间存在共享的解剖信息,迭代算法中利用这一事实,显著提高诊断图像质量,同时减少辐射暴露。
双能量源CT(在上一篇中已介绍)
其基本原理是利用不同能量照射下,被检测物表现出来的不同特性进行比对加强,实现高分辨率。
光子计数CT(在上一篇中已介绍)
其基本原理是从探测器硬件的角度改进问题,替代原有的传统探测器,采用光子计数的探测器收到噪音影响更低,精度更高。
相位对比度和暗场CT
当前CT成像中的图像对比度是基于描述光电吸收和康普顿散射的物理相互作用的粒子模型。相位对比和暗场CT是基于电磁波模型,因此图像对比代表波-光学相互作用,如相移或小角度散射。这些新的成像方法利用了x射线的这些波光特性,例如将光栅干涉仪应用于x射线成像。与传统的CT相比,有了额外的和互补的信息。相位对比度CT提供了明显更高的软组织对比度,而暗场CT提供的结构信息低于成像系统的空间分辨率。
人工智能
其中一种应用是基于图像空间的重建,其中用低剂量CT图像训练卷积神经网络来重建常规剂量CT图像。另一种方法是优化迭代算法。通常,红外算法是基于人工设计的先验函数,可以得到低噪声的图像,而不损失结构。深度学习方法允许实现更复杂的功能,这有可能实现低剂量CT和稀疏采样CT。
#结论
该论文简述了CT迭代算法的一些种类和发展过程,少量介绍了人工智能的CT算法,适合刚了解CT知识的人。