图像重建算法_基于深度学习图像重建算法(DLIR)对CT图像质量和剂量优化的研究：体模实验...

编者按：今年Joël Greffier博士等在European Radiology (IF 4.1)上发表了题为《Image quality and dose reduction opportunity of deep learning image reconstruction algorithm for CT: a phantom study》的文章，通过与混合迭代重建算法(IR)对比，评价一种新型基于深度学习的图像重建算法(DLIR，GE TrueFidelity™)对图像质量和剂量降低的影响。对于了解基于深度学习(DLIR)的GE的最新图像重建算法(TrueFidelity™)的原理，性能(图像质量，降噪能力，空间分辨率等)有很大的帮助，对于今后利用这个图像重建新技术来进行临床应用和临床研究有很好的指导意义。在这里我们特别邀请到王铭君博士对这篇文章进行了详细的解读，王铭君博士还对这次体模研究用到的各种图像评价参数进行了详细说明(Appendix)。

01

—

摘要(Abstracts)

目的：通过与混合迭代重建算法(IR)对比，评价一种新型基于深度学习的图像重建算法(DLIR)对图像质量和剂量降低的影响。

方法：使用7个剂量水平(CTDIvol: 15/10/7.5/5/2.5/1/0.5 mGy) ，对用来评估图像质量的标准体模进行数据采集。利用滤波反投影(FBP)、两个等级的IR(ASiR-V50% (AV50) ，ASiR-V100%(AV100))、以及DLIR的三个等级(TrueFidelity™ 低，中，高) 对原始数据进行重建。计算噪声功率谱(NPS)和基于任务的传递函数(TTF)， 并模拟肝脏内的大肿块、小钙化灶和小而精细且低对比度的病灶来检测能力指数(d')。

结果：AV50的NPS峰值高于所有DLIR等级，AV100的NPS峰值只高于DLIR-H。DLIR的NPS平均空间频率高于IR的结果。所有DLIR等级的TTF_50%结果均高于IR。所有DLIR等级的d′高于AV50的结果，然而DLIR-L和DLIR-M的d′低于AV100的结果。对于低对比度病灶，DLIR-H的d′高于AV100 (10 ± 4%)，对于其他模拟病灶，两者d′结果接近。

结论：新型DLIR重建算法可以降低噪声同时提高图像空间分辨率和检测能力，不会改变噪声纹理。对比IR重建的图片，通过DLIR可以有效进行剂量优化。

02

—

关键点(Key points)

• 本研究评估了新型深度学习图像重建算法(DLIR)对比混合迭代重建算法(IR)对图像质量和辐射剂量的影响。

• 新型DLIR算法降低噪声，提高空间分辨率和检测能力，不会出现IR重建算法导致的纹理变化情况。

• 与IR重建算法相比，DLIR可以给剂量优化提供更多可能性。

关键词：多层CT探测器；图像增强；图像重建；深度学习

03

—

背景和目的

CT检查中病人辐射剂量问题广受关注，因此在每次CT参数设置对剂量优化非常必要。许多工具开发出来用以优化剂量，如管电流调节技术(TCM)或迭代重建算法(IR)。TCM将管电流作为患者衰减的函数，来提供更均匀的剂量分布，从而提高图像质量(IQ)和减少伪影。IR算法在相同剂量水平下降低了图像噪声，因此可以在保持图像质量指数的同时降低剂量。近年来出现了几代IR算法，包括统计IR算法和完全/混合/高级基于模型的IR(MBIR)算法。多个临床研究显示IR算法可以降低剂量。但是，IR算法的非线性和非稳定性使得空间分辨率依赖于对比度和剂量。此外，IR算法会改变图像的噪声幅度和纹理特征，这使得给人的视觉印象不同于FBP图像的外观和视觉感觉。经常有报道反应IR图像的噪声纹理看起来“平滑”、“有斑点”、“塑料感”，或者“不自然”。使用这些IR算法获得的图像质量可能妨碍对图像的理解，限制了高权重迭代的使用，从而限制了其在临床应用中减少剂量的潜力。

如今，人工智能的应用增多，并在包括医学成像在内的各个科学领域展示了它的潜力。在机器学习技术中，深度学习最近显示出了巨大的潜力，可以在不改变噪声纹理或影响解剖和病理结构的情况下，在抑制噪声的同时重建CT图像。因此，一些CT厂商开发了新一代基于深度学习的CT图像重建技术。GE Healthcare和Canon Medical system开发的深度学习图像重建算法(Deep Learning Image Reconstruction, DLIR)使用深度神经网络(Deep Neural Network, DNN)，该神经网络分别使用高质量滤波反投影FBP (TrueFidelity™，GEHealthcare)和MBIR (Advanced intelligent Clear-IQ Engine [AiCE]，佳能医疗系统) 数据集的训练，以学习如何区分噪音和信号。据我们所知，还没