基于深度学习的CT图像重建研究综述.docVIP

基于深度学习的CT图像重建研究综述

一、CT图像重建技术发展脉络

CT成像的核心原理是通过X射线对物体进行多角度扫描，获取投影数据后通过算法重建出物体内部的断层结构。自1972年第一台临床CT设备问世以来，重建算法经历了三次明显的技术迭代。早期的解析重建算法以滤波反投影（FBP）为代表，凭借计算速度快、实现简单的优势，在很长一段时间内是临床应用的主流方案，但该算法对投影数据的完整性要求极高，当投影角度不足或辐射剂量降低时，重建结果会出现严重的条纹伪影和噪声，无法满足低剂量成像的临床需求。为弥补解析算法的缺陷，迭代重建算法在21世纪初逐渐得到应用，这类算法通过建立图像先验模型，在迭代过程中不断优化投影数据与重建图像的匹配度，能够在低剂量场景下有效抑制噪声，但其迭代过程计算复杂度极高，单幅图像重建往往需要数分钟甚至更长时间，难以适配临床高通量的诊断需求。

2016年之后，深度学习技术开始大规模渗透到医学影像领域，为CT图像重建带来了全新的技术路径。与传统算法依赖人工设计先验模型不同，深度学习重建算法能够通过大量临床数据自动学习图像的内在特征分布，在重建精度和速度上实现了双重突破。早期的深度学习重建方案大多采用“后处理”范式，即先用FBP生成初始重建图像，再通过卷积神经网络对图像进行去噪、伪影去除操作，这类方案实现简单，能够直接对接现有临床设备的输出结果，但无法从根本上解决投影数据不完备