飞利浦CT的AI重建技术

最新推荐文章于 2024-10-15 01:20:33 发布

大饼子Wong

最新推荐文章于 2024-10-15 01:20:33 发布

阅读量1.1k

点赞数 2

分类专栏： CT 文章标签：人工智能深度学习迭代重建降噪低剂量

本文链接：https://blog.csdn.net/weixin_42009267/article/details/128198480

版权

CT 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

原文：AI for significantly lower dose and improved image quality

飞利浦医疗CT的深度学习重建技术。

人工智能可显着降低剂量并提高图像质量

概述
背景
飞利浦CT智能工作流
结论

概述

Philips Precise Image 是飞利浦的一种新颖方法，它使用 AI 处理图像，使其外观更接近典型的 FBP 图像，同时保留高级迭代重建方法的降噪功能。这提供了具有熟悉外观和低剂量的高质量图像。

背景

几十年来，滤波反投影 (FBP) 一直是 CT 图像重建的行业标准。虽然它是一种非常快速的方法，但对于采样数据不佳或噪声淹没图像信号的情况，如低剂量或管功率限制采集的情况，FBP 是一种次优算法选择。随着时间的推移，已经对 FBP 进行了渐进地增强以克服其一些固有的局限性。

飞利浦之前推出了一种混合方法 (iDose4) 和一种基于模型的方法 (IMR) 来进行迭代重建，以帮助在低剂量下根据个体患者的需求个性化图像质量。当与飞利浦 CT 系统的先进技术结合使用时，迭代重建提供了一种独特的方法来应对患者保护中的重要因素，例如低能量、低辐射和低剂量成像。

用于迭代重建的传统算法通常以某种方式惩罚噪声图像，通常的方法是通过图像中相邻体素之间差异的函数。虽然在降低噪声方面很有效，但这些惩罚函数可以产生与传统 FBP 图像外观大不相同的图像外观或噪声纹理，传统 FBP 图像多年来一直为许多放射科医生所熟悉。这种非标准图像外观是在一系列临床应用中采用降低剂量技术的重大障碍。虽然飞利浦 IMR 已经解决了基于模型的重建的计算负担及其对重建时间的影响，但计算负担仍然是许多制造商面临的问题。

现在，AI 已经取得了进步，使下一层级剂量减少技术成为可能，将低剂量与更熟悉的图像外观相结合。AI 深度学习重建经过训练，通过在受监督的 AI 学习过程中将低剂量扫描与常规剂量图像进行比较，从而快速从低剂量扫描中生成低噪声图像。这种监督学习允许具有更接近典型 FBP 图像的噪声纹理的图像，同时保留迭代重建方法的降噪能力。

飞利浦CT智能工作流

Precise Image 是 CT Smart Workflow 众多支持 AI 的工具之一，其中包括深入嵌入到临床医生每天使用的工具中的 AI，以便能够将他们的专业知识应用于患者，而不是过程。

Precise Image 如何训练神经网络

Precise Image 遵循监督学习过程，以指定方式训练卷积神经网络 (CNN)。
重建过程
图 1 Precise Image AI 重建的训练过程。

深入了解深度学习

深度学习是机器学习和人工智能的一个子类别。

深度神经网络 (DNN) 是一种人工神经网络，在数学运算的输入层和输出层之间多层排列人工神经元或节点。复杂的 DNN，例如 Precise Image 的 DNN，具有许多层并且能够对复杂的非线性关系进行建模。 DNN 的设计作为基础，使网络能够以有效的方式实现其优化目标。借助 Precise Image，该网络旨在解决图像重建的特定挑战，并优化了网络中的节点和层数，以解决减少延迟和快速运行的需求，同时解决复杂的优化挑战。

训练神经网络

虽然设计良好的 DNN 在解决复杂的优化问题方面表现出很大的希望，但重要的是要认识到它的好坏取决于为其提供的训练。正确完成后，监督训练策略涉及组装一组输入和输出，以提供对要解决的问题空间的充分采样。在这一点上，合理而彻底的方法对于实现网络的稳健性至关重要。为了训练 Precise Image 神经网络，我们从具有临床所需图像外观的常规剂量扫描开始。从那里，低剂量扫描数据以准确模拟光子和电子噪声的方式进行模拟。

然后网络被赋予从低剂量输入复制常规剂量图像的图像外观的任务。通过以这种方式训练网络，它们对 CT 中固有的多样性更加稳健，这些因素来自应用的辐射剂量、患者体型和患者解剖结构等因素。

验证神经网络

使用通过来自不同人群的各种扫描参数获得的患者数据来验证训练有素的 Precise Image 神经网络。飞利浦首先提供模拟常规剂量扫描的低剂量数据作为神经网络的输入。将 Precise Image 生成的低剂量图像与使用标准方法重建的常规剂量图像进行比较。当 Precise Image 低剂量图像的图像质量达到或超过常规剂量标准重建时，确认神经网络的充分训练。

推断法可以实现快速的临床工作流程

一旦网络经过训练，DNN 的节点和层的权重就固定了。这意味着可以快速处理患者数据形式的新输入，以支持高通量临床工作流程，并提高 Precise Image 提供的诊断信心。以网络的智能设计为基础并完成强大的训练，Precise Image 提供业界最快的基于 AI 的重建。

AI加持的图像重建

飞利浦Precise Image是飞利浦CT图像重建的最新、最稳健的方法，采用了人工智能方面的最新技术飞跃。Precise Image是一种使用经过训练的深度学习神经网络的重建技术。Precise Image提供了业界最快的重建速度，同时保持了FBP图像的传统外观。

图2 Precise Image允许普通协议的平均重建时间为30秒或更短。

从“仅限于体模的研究”到“走向临床数据”

Philips Precise Image已在体模和临床数据上进行了广泛测试。许多一般的图像质量度量是使用体模图像来计算的。然而，Precise Image在训练过程中主要使用临床图像，而不是体模图像，以确保网络不是为了简单地在性能体模上给出良好结果而训练的，而是为了提供改进的临床图像。然而，这些临床益处也可以在传统的模型上进行测量，结果非常好，如以下章节所示。

噪声功率谱

对迭代重建图像的一个常见抱怨是噪声纹理与 FBP 图像明显不同。 Precise Image 经过训练可再现 FBP 的噪声纹理，同时显着降低噪声。用于量化噪声纹理的既定指标是噪声功率谱 (NPS)。对于此测量，在 300 mAs 下扫描了一个 30 cm 的水模型，然后在 100 mAs 下再次扫描。 Precise Image 的图像是从 100 mAs 扫描生成的，并增加了降噪以创建具有高图像质量和低噪声的图像。然后为 Precise Image 的每个图像以及高剂量 FBP 图像计算一系列归一化 NPS 值（图 3）。
NPS曲线
图 3 来自 30 cm 水模型的归一化噪声功率谱测量。

Precise Image 可以保持几乎恒定的归一化 NPS（无论降噪幅度如何），这与 FBP 重建给出的 NPS 非常匹配。因此，可以自定义图像噪声纹理以紧密匹配 FBP 图像，即使是低剂量和高水平的降噪（图 4）。
MTF曲线
图 4 分辨率表示为 FBP 和支持 AI 的重建的调制传递函数比较。

低对比度检测能力

低对比度可检测性 (LCD) 测试是用于测量重建算法的剂量减少能力的既定方法。向人类或模型观察者呈现许多不同的噪声图像，其中一些包含已知的低对比度对象，而另一些则不存在对象，并且对于每个图像，观察者必须决定对象是否存在。测量对每张噪声图像做出正确判断的成功率，这些分数可用于推导出可检测性指数 (d-prime)，该指数反映了使用给定剂量和重建方法检测物体的统计成功率。 d-prime = 0 对应于随机猜测 (AUC = 0.5)，而 d-prime = 4.38 对应于近乎完美的可检测性 (AUC = 0.999)。 “AUC”是接受者操作特征曲线下的面积，是衡量系统区分两个类别的能力的指标。

Precise Image 的 LCD 测试使用 MITA 低对比度模体 CT 189，重点放在直径为 10 毫米、对比度为 3 HU 的引脚上。模型观察者是具有 3-DOG 通道的通道化 Hotelling 观察者 (CHO)，如 IQmodelo 工具中所述。2我们使用 200 个图像对（对象存在，对象不存在），并比较 FBP 在剂量为 10 时的 d-prime mGy 到 4 mGy 和 2 mGy 的精确成像（分别减少 60% 和 80% 的剂量）。可以比较示例图像。

LCD 测试结果显示，4 mGy 的 Precise Image 的可检测性比 10 mGy 的 FBP 高 80% 以上。 Precise Image 在 2 mGy 下的可检测性比在 10 mGy 下的 FBP 高 43% 以上。该测试表明，使用 Precise Image，用户可以同时获得显着的剂量减少和显着改善的低对比度成像，同时保留比其他最近的重建技术更传统的噪声纹理。

临床研究和示例图像

一组经验丰富的放射科医生使用 iDose4 和 Precise Image 检查了 40 名患者的胸部、腹部和骨盆图像。每个患者的两个图像集都根据 5 分李克特量表的诊断信心、清晰度、噪声水平、图像纹理和伪影进行了评级，其中 1 分最差，5 分最好。所有扫描都是在常规剂量水平下进行的，iDose4 图像是在获得的剂量下重建的。使用低剂量模拟技术以常规获取剂量的 50% 重建使用 Precise Image 的图像。

对于评估的每个属性，使用双样本 Welch 的 t 检验 (α=5%) 比较两个图像集的评分，以检查评分的统计显着差异。结果显示，在获得剂量的 50% 处重建的 Precise Image 图像的每个属性都有所改善（图 6）。