神经网络算法未来_降噪重建技术专栏（一）降噪重建技术的过去、现状和未来...

降噪重建技术的过去

现状和未来

2019年8月，医学影像学界的旗舰刊Radiology在线发表了一篇名为”State of the Art in Abdominal CT: The Limits of Iterative Reconstruction Algorithms”  (腹部CT技术的最新进展：迭代重建算法的局限性)的综述。来自美国梅奥诊所放射科、华盛顿大学医学院放射科和加拿大多伦多大学联合成像研究所的多位专家在这篇综述中详细讨论了迭代重建算法 (Iterative Reconstruction, IR) 在腹部成像方面的过去，现状和未来。

01

过去(从FBP到IR)

重建算法是CT影像的大脑，没有重建算法，就没有CT影像。传统的CT重建算法是滤波反投影(Filtered Back Projection, FBP)。在高辐射剂量下, FBP图像可以很好地满足各种诊断任务的需要，然而一旦辐射剂量降低，FBP算法的降噪能力十分有限。为了解决这一问题，迭代重建算法的概念应运而生，但由于设备本身以及算力的限制，直到二十一世纪初，简化版的商用迭代重建算法才真正问世。文章系统地回顾梳理了有据可考的所有主流商用迭代重建算法，并客观描述了这些算法的优缺点。此外，本文还对基于迭代重建算法腹部应用的早期临床研究做了回顾，这些研究对于后续新重建算法的科研是一个极为重要的参考。

02

现状(IR的体模实验和临床研究)

迭代重建算法的发展和广泛应用极大地促进了CT检查中辐射剂量的减少，多项临床研究也证实了在很多不同的临床诊断任务上应用迭代重建算法可以在降低辐射剂量的同时保持主观图像质量和诊断信心。然而受限于迭代重建本身的算法问题，相对于高对比度的诊断任务，在一些低对比度的诊断任务比如肝转移或胰腺占位性病变的检出上，迭代重建算法在保持诊断效能的同时降低辐射剂量的能力存在一定的局限性。通过回顾梳理基于迭代重建算法腹部应用的一系列体模实验和临床研究，也证实了这个局限性。

03

未来(从迭代IR到深度学习)

由于潜在的应用前景，基于深度学习的卷积神经网络正在蓬勃发展，这些卷积神经网络技术已经应用于低剂量CT以降噪，于不完整或稀疏数据集以抑制伪影，于体内有金属植入物的病人以去除金属伪影。最近，CT制造商们已经开发出深度学习算法(Deep Learning Image Reconstruction, DLIR)来实现重建和降噪。GE TrueFidelity的特点是利用高质量的FBP数据集来训练深度神经网络(Deep Neural Network, DNN)学习如何区分信号和噪声，并且在不影响解剖和病理结构的情况下有效地抑制噪声。

TrueFidelity真理图像，具有出色的图像质量和真实的噪声纹理，可应用于包括高低对比度诊断任务的各项临床CT检查(包括头部，全身，心血管，以及各年龄段患者的检查图像)，提升诊断医生的读片信心。

通过对迭代重建算法(IR)现状的梳理及最新的基于深度学习的卷积神经网络的图像重建技术(DLIR)的介绍，作者对迭代重建算法，或者说整个降噪重建技术未来的趋势做出了自己的预测，文章提到了四点可能的研究方向：

1. 基于深度学习的重建算法(DLIR，如GE的TrueFidelity)以及基于这些算法的临床相关研究，由于目前已经有此类算法问世，这很可能是未来一段时间研究的热点和重点；

2. 新的针对低对比度诊断任务的迭代重建算法以及基于这些算法的临床相关研究；

3. 模拟数据及扫描病人的科研；

4. 新的针对增强扫描的迭代重建算法(扫一期重建多期)及基于这些算法的临床相关研究。

参考文献：

Achille M., LuisS., Cynthia H., et al. State of the Art in Abdominal CT: The Limits of Iterative Reconstruction Algorithms. Radiology 2019; 293(3):491‐503.

每一个人都是CT专家

在这里你可以第一时间获得

➡ 最新鲜的CT技术信息

➡ 最实用的CT临床经验

➡ 最前沿的CT科研进展

➡ 最火爆的CT直播活动

关注“CT影像资讯” 微信公众号，获取最新行业信息。