基于深度学习的低剂量CT成像算法研究进展.docxVIP

基于深度学习的低剂量CT成像算法研究进展

摘要：计算机断层扫描成像（CT）技术具有成像速度快分辨率高的优点，广泛应用于医学临床诊断中。然而，提高剂量辐射会引发人体组织器官受损，降低剂量又会造成成像质量严重下降。为解决上述矛盾，在确保成像质量满足临床诊断需求的条件下，研究如何最大程度地降低X射线辐射对人体造成的伤害，已成为低剂量CT成像技术的研究热点。近年来，在人工智能领域深度学习方法快速发展，已广泛应用于图像处理、模式识别、信号处理等领域。与此同时，大数据驱动下的深度学习方法在LDCT成像领域的应用也有了长足的发展。本文从CT成像的过程、低剂量CT噪声建模以及成像算法的设计3方面，介绍近年来国内外低剂量CT成像算法的发展，尤其对深度学习领域的成像算法进行阐述与分析，并对LDCT图像成像领域未来的发展进行展望。

关键词：深度学习；低剂量CT；伪影抑制；噪声建模

计算机断层扫描成像（computedtomography，CT）是一种广泛应用于生物医学、图像引导介入、安检、工农业生产、地球物理与石油勘测[1]等领域的无损检测技术。作为医学诊疗的重要辅助手段，CT成像速度快、精度高，可以完整呈现被检查部位的三维信息，且在骨伤、肿瘤与节点、血管病变与肺部积水、细胞癌变等的检测中发挥着不可替代的作用[2]。

目前，常规体检、特定医学诊疗等均需按照要求对被检者进行不同程度的CT检查。有资料表明，在美国，CT检查占所有放射检查的13％，但其导致患者接受的辐射剂量却占患者接受的全部辐射剂量的70％[3]。一般地，人体做一次胸部X射线平片检查所承受的辐射剂量大约为0.1mSv，而CT检查需要重复使用X射线进行多角度扫描，致使人体承受的辐射剂量比普通平片检查高得多。例如，人体在一次常规胸部CT检查中所受辐射剂量大约是一次胸部平片检查的100倍，乳腺钼靶检查的10倍，而对于癌症患者接受多排CT或CT增强扫描所承受的辐射剂量则更大。伴随着X射线辐射而来的潜在危害包括白内障、新陈代谢异常、生育功能退化、染色体变异导致的胎儿畸变以及癌症等[4]。由于体质弱于成年人，儿童遭受辐射伤害后引发疾病的比例更高，一份来自英国的调查结果表明，在被调查的15

周岁以下儿童中，有约1/500死于腹部CT扫描引发的癌症，约1/1500死于脑部CT扫描引发的癌症[5]。相对较高的辐射剂量已成为制约CT成像技术在医学诊疗领域进一步发展的一个重要因素。因此，降低CT扫描的辐射剂量已刻不容缓。然而，辐射剂量降低会引起“光子饥饿”现象，导致重建图像中产生条纹伪影与斑点噪声，进而影响医学诊断的准确性，尤其易导致对面积小、形态细微的早期病变的误诊和漏诊。在此背景下，衍生出了CT成像领域的一个重要研究方向?低剂量CT（low-doseCT，LDCT）技术。

低剂量CT成像算法自LDCT出现以来，针对如何提高低剂量条件下CT成像质量这一问题，学者们从降低扫描剂量[6-7]、提升硬件性能[8]与改善成像算法3个角度出发，做了大量研究尝试[9]。首先，由于管电流与辐射剂量之间呈正相关且操作简单，降低管电流是目前临床应用中最常用的降低X射线剂量的方式之一。然而此方法的最大弊端在于获取的LDCT图像密度分辨率较低、出现明显斑点噪声和条状伪影[6]；其次，降低管电压也是降低X射线辐射的一种选择，然而管电压降低的同时X射线的穿透能力也将随之下降，进而导致成像质量严重退化。此外，减少X射线数目也是降低辐射剂量的主要方式，这类方法（如内部扫描、少视角、有限角度）获取的投影数据不完备，对重建算法性能有更高的要求[7]。如图1所示，LDCT成像算法主要分为投影域方法、重建方法、后处理方法三方面，在下文中我们分小节进

低剂量CT成像算法

投影域方法（观测数据统计建模、投影域滤波与迭代算法、基于深度学习的投影域处理）

重建方法（解析法、迭代法、基于深度学习的重建方法）

后处理方法（传统图像后处理算法、基于深度学习的图像后处理）

图1低剂量CT成像算法分类

Fig.1ClassificationoflowdoseCTimagingalgorithms

1投影域方法与重建方法

1.1投影域方法

投影数据采集是LDCT成像的前提条件和关键步骤，然而，由于受硬件设备、外部环境等客观因素制约，实际CT扫描系统采集到的投影数据常被大量光子噪声与电子噪声污染，这也是重建图像中出现复杂条状伪影与斑点噪声的主要原因。近年，许多学者致力于研究投影数据的