Реконструкция изображений КТ с использованием глубокого обучения: технические принципы и клинические перспективы

Deep Learning Image Reconstruction for CT: Technical Principles and Clinical Prospects
Martin J. Willemink, Dominik Fleischmann, Veit Sandfort, Domenico Mastrodicasa, Timothy P. Szczykutowicz, Lennart R. Koetzier, Niels R. van der Werf, Adam Wang, Aart J. van der Molen
2023-01-31

компьютерная томографияглубокое обучение реконструкцииобратная проекция с фильтрациейуменьшение металлических артефактовитеративная реконструкция на основе модели
Фильтрованная обратная проекция (FBP) на протяжении 40 лет оставалась стандартным методом реконструкции изображений при компьютерной томографии (КТ). Будучи простым, быстрым и надежным методом, FBP обеспечивала получение изображений высокого качества в ряде клинических применений. Однако с появлением более быстрых и совершенных компьютерных томографов FBP постепенно утрачивает актуальность. При использовании FBP особенно заметны повышенный шум изображений и большее количество артефактов при КТ с низкой дозой облучения. Этот разрыв в эффективности частично устранила итеративная реконструкция на основе модели (MBIR). Однако ее «пластичный» вид изображений и длительное время реконструкции ограничили широкое применение. Гибридная итеративная реконструкция частично устранила эти ограничения за счет сочетания FBP и MBIR и в настоящее время является наиболее передовым методом реконструкции. В течение последних 5 лет методы реконструкции с использованием глубокого обучения (DLR) приобретают все большую популярность. DLR использует искусственный интеллект для более быстрой, чем MBIR, реконструкции высококачественных изображений при КТ с меньшей дозой облучения. Однако эффективность алгоритмов DLR зависит от качества данных, использованных для обучения модели. Более качественные данные для обучения станут доступны с появлением компьютерных томографов с подсчетом фотонов. Одновременно спектральные данные могут значительно выиграть от вычислительных возможностей DLR. В этом обзоре представлен обзор принципов, технических подходов и клинических применений DLR, включая алгоритмы уменьшения металлических артефактов. Кроме того, обсуждаются новые области применения и перспективы.
1
Реконструкция с глубоким обучением может быстрее, чем модельная итеративная реконструкция, формировать высококачественные изображения КТ при меньшей дозе, однако ее эффективность сильно зависит от качества обучающих данных.
2
Фильтрованная обратная проекция остается быстрой и надежной, но при развитии КТ все чаще создает выраженный шум и артефакты, особенно при низких дозах облучения.
3
Гибридная итеративная реконструкция, объединяющая фильтрованную обратную проекцию и модельную итеративную реконструкцию, описывается как современный передовой метод.
4
Итеративная реконструкция на основе модели уменьшает часть ограничений фильтрованной обратной проекции, однако пластичный вид изображений и длительное время реконструкции ограничивают ее клиническое применение.
5
Фотон-счетная КТ может предоставить более качественные данные для обучения, а глубокое обучение способно улучшить обработку спектральной КТ, уменьшение металлических артефактов и другие перспективные приложения.

методы реконструкции изображений компьютерной томографии (КТ) на основе глубокого обучения (DLR)

технические принципы, преимущества и ограничения, клинические применения и перспективы DLR, включая реконструкцию низкодозовых и спектральных КТ-изображений и снижение металлических артефактов

Publication Details
Publication Date
2023-01-31
Journal
Publisher
ISSN
Cited by
469
Access Type
Author Information
Authors
Martin J. Willemink
Dominik Fleischmann
Veit Sandfort
Domenico Mastrodicasa
Timothy P. Szczykutowicz
Lennart R. Koetzier
Niels R. van der Werf
Adam Wang
Aart J. van der Molen
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%