<h3>原創(chuàng) 王仁劼 XI區(qū) 收錄于話題#展望未來 27 個 #原理 11 個</h3></br><h3>CT已經(jīng)成為日常檢查不可或缺的手段，除了我們看到的CT掃描儀以外，背后的重建算法也起著重要的作用。雖然看不見摸不著，但重建算法一定決定了最后的圖像質(zhì)量。</h3></br><h3>01</h3></br><h3>CT重建算法基本原理 重建算法是將探測器得到的數(shù)據(jù)轉化成我們所能理解的三維圖像。如上左圖所示，球管和探測器圍繞人體進行采集，右圖顯示的是如果我們假設球管產(chǎn)生20的光子，直線穿過人體，人體的每一塊組織對光子吸收能力不同，像九宮格這樣表示，探測器得到的就是剩余的光子，每一個角度都會生成一排的探測器數(shù)據(jù)。 這里先要解釋幾個概念，如上右圖所示，如果我們將每一個角度和這個角度的探測器數(shù)據(jù)排列到一起，這張二維圖像的名稱我們稱之為Sinogram。從Sinogram轉化成CT圖像的過程，我們稱之為反投影，反之，從CT圖像轉化成Sinogram的過程，我們稱之為正投影。由于Sinogram是由原始數(shù)據(jù)構成的，在Sinogram的基礎上進行處理和優(yōu)化從而得到最終CT圖像的過程，我們稱之為基于原始數(shù)據(jù)域的重建，同樣，在CT圖像上進行處理和優(yōu)化從而得到最終CT圖像的過程，我們稱之為基于圖像數(shù)據(jù)域的重建。最簡單的CT重建過程就是將探測器得到的數(shù)據(jù)轉化成Sinogram，再將Sinogram反投影生成CT圖像。</h3></br><h3>從上面這個視頻中我們看到，這是最簡單的反投影重建的過程(Simple BackProjection (SBP))，也模擬CT從角度0~360度的重建，角度越多，最后圖像的還原度越高。從最終的圖像中看到了一些缺陷，圖像相對模糊，對比度低，邊界不夠清晰。 為了改善圖像清晰度的問題，科學家們決定在每個角度反投影時加上一個濾鏡，再重復之前的過程，這一重建過程被稱之為濾波反投影重建(Filter BackProjection (FBP))，也被沿用至今成為最經(jīng)典CT重建算法之一。從結果中可以看到，圖像的清晰度，對比度，銳利度更高，還原性更強。</h3></br><h3>02</h3></br><h3>重建算法概述 主要商用CT重建算法</h3></br><h3>Achille Mileto, Luis SGuimaraes, Cynthia H McCollough, Joel G Fletcher, Lifeng Yu, "State of theArt in Abdominal CT: The Limits of Iterative Reconstruction Algorithms,"Radiology, Seattle, 2019.</h3></br><h3>上表中列舉了目前14種商用CT的重建算法，以及時間，重建算法的類型，和優(yōu)缺點。隨著科技的發(fā)展，CT重建算法大致分為6類，從一開始2004的傳統(tǒng)基于FBP的重建，到2009基于原始數(shù)據(jù)域或者圖像域的重建。在2010-2012年，將原始數(shù)據(jù)域和圖像域聯(lián)合的迭代算法，再到2011-2016年我們現(xiàn)在常用且熟知的混合迭代重建和模型迭代重建?；旌系亟〞鶕?jù)實時采集到的探測器數(shù)據(jù)對預測圖像進行迭代優(yōu)化，模型迭代算法會根據(jù)物質(zhì)的物理屬性，幾何學知識，X線統(tǒng)計等多種模型對預測的圖像進行迭代優(yōu)化，兩種方法的原理不同。最后到最新的深度學習重建算法，每一種算法都烙下了時代的印記。 CT重建算法時間線</h3></br><h3>Achille Mileto, Luis SGuimaraes, Cynthia H McCollough, Joel G Fletcher, Lifeng Yu, "State of theArt in Abdominal CT: The Limits of Iterative Reconstruction Algorithms,"Radiology, Seattle, 2019.</h3></br><h3>上圖按時間線排列了CT重建算法，可以將CT重建算法看成三種類型，一是我們第一部分提到的傳統(tǒng)重建算法，二是迭代重建算法，三是深度學習算法。每個顏色代表著不同廠家的重建算法，實線框代表了每個廠家最新的重建算法，接下來我們就來講解一下迭代重建算法。</h3></br><h3>03</h3></br><h3>CT迭代重建算法 上圖是在Pubmed中通過迭代重建和CT等關鍵詞進行搜索，截止到2021年12月底找到CT迭代重建的科研文獻數(shù)達到4504篇。每一次新的迭代重建算法的推出都能帶來一波科研的熱潮，可見迭代重建算法的重要性。</h3></br><h3>最近幾年科研文獻數(shù)有所回落，雖然由于深度學習重建算法的出現(xiàn)，文章數(shù)量有所增加，但這項技術準確性和有效性可能還未達到人們的預期，在下面的篇章我們還會講到深度學習重建算法。 CT迭代重建算法的基本原理</h3></br><h3>Achille Mileto, Luis SGuimaraes, Cynthia H McCollough, Joel G Fletcher, Lifeng Yu, "State of theArt in Abdominal CT: The Limits of Iterative Reconstruction Algorithms,"Radiology, Seattle, 2019.</h3></br><h3>在這篇Radiology的文獻中，展示了迭代重建算法的通用方法，雖然不同方法的系統(tǒng)模型差異很大，但迭代會一直進行，持續(xù)優(yōu)化目標函數(shù)，直到誤差足夠小，從而確定模擬投影數(shù)據(jù)與實時獲取的投影數(shù)據(jù)充分匹配。</h3></br><h3>上圖中的Projection data就是上文提到的Sinogram，整個過程總共分為六部。第一步算法會預估一張CT圖像，圖像上有什么不重要，第二步將這張預估的圖像正投影成一張Sinogram，我們稱之為A，第三步在的得到探測器數(shù)據(jù)后，實時生成一張Sinogram，我們稱之為B，將A與B對比后調(diào)整圖像A，第四步將A反投影成CT圖像，由于是實時調(diào)整，現(xiàn)在的CT圖像還不是完整的圖像，還需將現(xiàn)在的CT圖像正投影回A，將A與B做對比，接受新的數(shù)據(jù)和調(diào)整圖像A，不斷迭代循環(huán)，第五步算法會判斷A與B之間的誤差是否足夠小，如果誤差大會繼續(xù)迭代，如果誤差小會直接進入第六步，生成一張最終的CT圖像。整個過程會持續(xù)幾秒到幾分鐘不等，由于每個廠家需要結合自家的機型獨立的寫出一套算法，所以有些客戶抱怨圖像生成時間長，這可能是CT機和重建算法的雙重缺陷共同造成的。 評判迭代重建算法的標準有很多，從文獻的總結中，這邊列出了主要的6項標準，分別是圖像噪聲與偽影抑制能力是否強健，臨床應用是否廣泛，重建速度是否快速，用戶使用是否靈活，圖像的對比度和分辨率是否提高，劑量相比之前是否減少。這些標準不光是評判了算法本身的好壞，還考慮到了對醫(yī)生和病人的影響。圖像質(zhì)量是不可或缺的評判重建算法的標準之一，對噪聲和偽影的抑制，提高對比度和分辨率為臨床診斷提供了重要的價值。應用于不同部位，在根據(jù)個性化調(diào)節(jié)了某些參數(shù)后，是否還能輸出良好穩(wěn)定的圖像，臨床應用和用戶靈活性可以為醫(yī)生大大提供臨床的便利性?？紤]到病人的未來的健康，劑量的減少一定是必不可少的，重建速度快一定會為急診病人創(chuàng)造更多的搶救時間。</h3></br><h3>04</h3></br><h3>深度學習重建算法</h3></br><h3>這幾年深度學習一直是個很熱的關鍵詞，在各個領域都在被廣泛的提及和應用，的確也是在很多方面看到了它帶來的優(yōu)勢。先來簡單介紹一下深度學習的原理，一般分為兩個步驟，第一步是訓練，第二步是測試，通常這兩步是分開進行的。在訓練這一步，輸入的數(shù)據(jù)是勾畫好的CT圖像和標注的注釋，輸出能一些參數(shù)的閾值，同時會對參數(shù)的閾值進行評估，如果說參數(shù)閾值的準確率偏低，會不斷迭代參數(shù)閾值，直到準確率達到了一定標準。這些閾值會被直接運用到第二步，對圖像進行識別和測試。 TrueFidelity文獻結果</h3></br><h3>Chankue Park, Ki Seok Choo, Yunsub Jung, Hee Seok Jeong,Jae-Yeon Hwang, Mi Sook Yun, "CT iterative vs deep learningreconstruction: comparison of noise and sharpness," Eur Radiol, Yangsan,2021.</h3></br><h3>現(xiàn)有階段只有GE的TrueFidelity和Canon的AiCE是運用了深度學習重建算法的，的確看到一些文獻顯示深度學習重建比迭代重建的結果要好，但是看一項技術好壞，還得看這項技術整體的穩(wěn)定性，在現(xiàn)有階段，有一些文獻的結論顯示深度學習重建并不完全優(yōu)于迭代重建。上圖是2021年5月發(fā)表在歐放上的文獻，它比較了迭代重建算法ASIR-V和深度學習重建TrueFidelity的結果。對比肝臟、肌肉和下肢的圖像后，ASIR-V的水平提升到100%與TrueFidelity提升到High的圖像質(zhì)量相似。 AiCE文獻結果</h3></br><h3>Luuk J Oostveen, Frederick J A Meijer, Frank de Lang, Ewoud JSmit, Sjoert A Pegge, Stefan C A Steens, Martin J van Amerongen, MathiasProkop, Ioannis Sechopoulos, "Deep learning-based reconstruction mayimprove non-contrast cerebral CT imaging compared to other currentreconstruction algorithms," Eur Radiol, Nijmegen, 2021.</h3></br><h3>同樣上圖是另一篇在2021年8月發(fā)表在歐放上的文獻，它比較了Canon的三代不同的重建算法。右上圖顯示了圖像質(zhì)量不同參數(shù)的結果，綠色條狀代表了主觀評分較好的百分比。第二條的FIRST在各方面都明顯區(qū)域劣勢，AiCE在綜合評分上小勝于ADIR 3D，在自然度和偽影上還是存在劣勢的。</h3></br><h3>這里只是拿兩篇文獻作為例子，還有一些文獻的結論也寫道深度學習算法重建和迭代重建的結果相似，所有在現(xiàn)有階段深度學習算法還處于一個探索階段，還有很多方面需要優(yōu)化，結果可能并沒有想象的那么完美。</h3></br><h3>這篇文章回顧了現(xiàn)有的CT圖像重建算法，對傳統(tǒng)的CT圖像重建，主流的迭代重建和最新的深度學習重建進行了講解，迭代重建算法依舊是現(xiàn)在的最可靠的CT重建算法，深度學習重建并不完全優(yōu)于迭代重建算法，現(xiàn)在只能持保留和謹慎的態(tài)度。</h3></br><h3>新年福利</h3></br><h3>掃描下方二維碼領取限量款定制紅包封面，過一個不一樣的虎年春節(jié)！</h3></br><h3>也可關注XI區(qū)，后臺回復 紅包 就能獲得領取碼哦！</h3></br><h3>更多干貨，關注XI區(qū)！</h3></br><h3>作者簡介 王仁劼</h3></br><h3>王仁劼，西門子醫(yī)療CT科研市場部青年科學家。加拿大海歸，2019年加入西門子，目前主要從事CT科研支持工作。</h3></br><h3>2022年1月24日</h3></br><h3>原標題：《CT圖像重建算法的基本原理》</h3></br><h3><a href="http://mp.weixin.qq.com/s/ZgyJkS3aXwtg0CtVcwsWtA" target="_blank">閱讀原文</a></h3></br>



 <a href="https://m.thepaper.cn/newsDetail_forward_16425623" >查看原文</a> 原文轉載自m.thepaper.cn,著作權歸作者所有