Реконструкция изображений КТ с использованием глубокого обучения: технические принципы и клинические перспективы
Deep Learning Image Reconstruction for CT: Technical Principles and Clinical Prospects
2023-01-31
SCID: 54.1/b2m2t34c
Discuss with AI
компьютерная томографияглубокое обучение реконструкцииобратная проекция с фильтрациейуменьшение металлических артефактовитеративная реконструкция на основе модели
Figures from the paper
Abstract (AI)
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.
Key Findings
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.
Research Object
методы реконструкции изображений компьютерной томографии (КТ) на основе глубокого обучения (DLR)
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest