academic radiology:基于深度学习的超分辨率图像重建技术对CT的影响

现阶段，计算机断层扫描（CT）在医疗辐射中占了很高的比例；因此，在不对诊断产生不利影响的情况下减少辐射是十分重要的。减少剂量的技术目前依赖于图像重建方法，如迭代重建（IR）和基于深度学习的图像重建（DLR）。

滤波背投（FBP）一直是CT图像重建技术的主流。然而，使用FBP，减少图像噪声需要增加剂量，这在曝光方面是有问题的。IR方法可以通过在图像重建过程中进行重复操作来减少图像噪声，例如混合迭代重建（HIR），在图像重建过程中结合了FBP以及基于模型的迭代重建（MBIR）。在HIR中，可以选择重建强度的水平来降低噪音，在更高的水平上获得更大的降噪效果。然而，在较高的降噪水平下，图像具有类似油彩的外观并显示出纹理的紊乱，会严重降低诊断性能。MBIR在图像重建过程中考虑到CT系统的光学因素，可以同时实现降噪和提高空间分辨率。然而，由于MBIR具有图像重建时间长的缺点，临床上经常使用HIR。

据报道，最近出现的DLR方法在降低噪声、提高病变可探测性和减少曝光剂量方面优于传统的IR。训练数据对深度学习技术十分重要，但不同的供应商使用的数据不同。在DLR中，通过让系统学习由高剂量FBP或MBIR获得的低噪声图像来构建一个神经网络。DLR有望提供降噪效果，同时抑制与红外有关的图像纹理紊乱和类似油彩的变化问题。与MBIR相比，DLR需要更少的图像重建时间，对临床使用没有实际障碍。

基于深度学习的超分辨率图像重建（DLSRR）已开发为冠状动脉CT血管成像（CCTA）的一种新型图像重建技术，有望减少噪声并提高空间分辨率。在DLSRR中，由带有0.25毫米探测器的超高分辨率CT（Aquilion Precision, Canon Medical Systems, Ohtawara, Japan）获得的图像作为训练数据。在超高分辨率CT中，与传统的0.5毫米探测器CT相比，可以通过将探测器尺寸减半来收集高精度数据、提高图像清晰度。目前，DLSRR仅适用于CCTA；然而DLSRR的性能及其临床效果还没有被评估。

近日，发表在academic radiology杂志的一项研究评估了DLSRR在不同的成像和图像重建条件下，与FBP、HIR、MBIR和传统DLR相比，使用用于CCTA的高对比度分辨率模型（DLSRR是其目标）获得的图像的性能。

水星CT 4.0模型的CT图像是在管电流为100、200和300毫安的情况下使用320排多探测器扫描仪获得的。图像数据通过滤波背投（FBP）、混合迭代重建（HIR）、基于模型的迭代重建（MBIR）、基于深度学习的图像重建（DLR）和DLSRR在图像重建强度水平为轻微、标准和强的情况下进行重建。研究计算了噪声功率谱（NPS）、任务转移函数（TTF）和可检测指数。 
与FBP相比，降噪效果的大小依次为MBIR <dlsrr，分解力特性依次为hir<fbp<dlr<mbir<dlsrr。其中，dlsrr的可检测性指数最高。与fbp相比，hir和mbir的nps的最大值和平均值向低频率转移，dlr和dlsrr也有类似的转移。对于每一种图像重建技术，nps随着重建强度水平的增加而下降，但在ttf中没有观察到变化。 

 图 使用每种图像重建技术获得的分辨率图像（重建强度级别：标准）。用DLSRR得到的分辨率最高，纹理最清晰

本项研究结果表明，与传统的DLR和迭代重建技术相比，DLSRR可以在高对比度区域实现更大的降噪和提高空间分辨率。

原始出处：

Hideyuki Sato,Shinichiro Fujimoto,Nobuo Tomizawa,et al.Impact of a Deep Learning-based Super-resolution Image Reconstruction Technique on High-contrast Computed Tomography: A Phantom Study.DOI:10.1016/j.acra.2022.12.040