1917年奧地利數(shù)學家拉東提出了由投影重建圖像的理論，奠定了CT圖像重建的基礎。在如今的AI時代，將熱門的深度學習或機器學習和斷層成像的結合，不僅有助于圖像分析，還有助于圖像重建。這篇文章重點探討機器學習在CT圖像重建中的應用，即深度成像。

(CT圖像重建的過去，現(xiàn)在和未來。)

深度成像的原理

圖像重建是從原始數(shù)據(jù)(利用斷層掃描測量的特征)到底層圖像，是下圖中從圖像到特征的逆操作。深度成像的直接路徑可以簡單地從原始數(shù)據(jù)到初始圖像，然后通過細化深度網絡處理所重建的圖像。(與深度學習的重疊)。

(通過非線性多分辨率分析(全連接或局部連接)進行特征提取和分類的深度網絡。)

低掛和高掛果實的路線圖

對于深度成像，有各種技術可以開發(fā)為低掛和高掛果實。讓我們先來看看低掛的果實，然后是高掛的果實。但是，這些可以并行進行。

低掛果實

首先，通過用深度學習對應物替換當前圖像重建方案的一個或多個機器學習元素，可以收獲低懸的果實。將每種類型的重建算法視為有機流程圖，并且一些構建塊可以由機器學習對應物替換。如下圖所示，用于迭代重建的一般流程圖，相應的原始模塊可以被機器學習模塊敲掉。

(在傳統(tǒng)的迭代重建流程圖中替換機器學習模塊來摘取低掛果實。)

現(xiàn)有技術的重建算法可用于指導相應的深度網絡的構建。通過萬有逼近定理，每個計算元素應該具有神經網絡對應物?；谏疃葘W習的重建的真正強大之處在于數(shù)據(jù)驅動的知識增強能力，以便在特定于應用的低維流形內承諾更智能的初始猜測，更相關的中間特征以及最佳正則化的最終圖像。

高掛果實

相比之下，高掛果實并不一定涉及經典重建算法的任何關鍵要素。憑借最先進的深度成像算法，可以涵蓋最廣泛的圖像重建問題，以獲得優(yōu)于現(xiàn)有技術的成像性能。

網絡配置

針對典型應用的網絡拓撲(和動態(tài))設計是一個突出的目標，這相當于算法設計或計算機體系結構設計?？梢源竽懲茰y深度成像網絡可能勝過傳統(tǒng)的成像算法，因為深度網絡的信息處理在激活函數(shù)中是非線性的，通過深度分層的結構是全局的，并且是從大數(shù)據(jù)中獲得的綜合先驗知識的最佳選擇。這與線性，局部或臨時的許多傳統(tǒng)正則化器形成鮮明對比。目前，網絡設計在整體架構和組件特性方面仍然是一個積極探索的領域，并且很少涉及圖像重建的目的。

通過模仿神經可塑性-大腦在學習，適應和補償方面的成長和重組能力，可以進一步改善深層神經網絡和人工智能。目前，使用試錯法獲得了深層網絡中每層的層數(shù)和神經元數(shù)量，并且不受任何理論的支配。關于大腦的成長和重組，未來的深度網絡可以以相同的方式工作，變得更具適應性，更適合醫(yī)學成像。

數(shù)據(jù)生成

高級圖像建模和數(shù)據(jù)生成非常重要。在臨床中，存在數(shù)量巨大的圖像量，但僅標記了有限量的圖像，并且患者隱私一直是醫(yī)學成像研究的障礙。盡管如此，大數(shù)據(jù)和深度學習的領域已經成熟。首先，研究人員逐漸可以獲得大數(shù)據(jù)。一個很好的例子是全國肺部篩查試驗(NLST)。在這種情況下，將成像數(shù)據(jù)與重建圖像配對是非常寶貴的。另一方面，真正逼真的模擬器可以發(fā)揮關鍵作用。例如，高性能模擬器(如用于CT研究的CatSim)可以將實際圖像作為輸入，以產生用于訓練和測試目的的高質量“原始數(shù)據(jù)”。更有趣的是，可以構建一個通用的解剖圖像模型來生成大數(shù)據(jù)。例如，使用解剖圖譜，例如基于可見人類項目的圖像，我們可以產生代表不同對比(例如CT和MRI)的人體的圖像體積。利用可變形的變形方法，可以產生大量解剖學上逼真的圖像。

(RPI懷孕女性模型的器官和體表分別在3個月，6個月和9個月結束時用于估計放射學檢查中的輻射劑量)

深度成像的兩個例子

第一個例子是從質量差的正弦圖到高質量的正弦圖。現(xiàn)在，每個體模包含一個固定的背景盤和圓形背景內的兩個隨機盤：一個盤代表一個X射線衰減特征，另一個盤代表一個X射線不透明金屬部分。圖像大小是32×32。之后，從90個角度生成正弦圖。金屬被阻擋的投影與金屬被透明物體替換后形成的完整投影相關聯(lián)。然后，可以訓練深度網絡以從低質量投影預測大大改善的投影

第二個例子展示了Harvard放射學胸部CT數(shù)據(jù)集深度學習的潛力。這些數(shù)據(jù)集以低劑量水平獲得。它們使用三種重建技術重建：濾波反投影(FBP)，自適應統(tǒng)計迭代重建(ASIR)和基于模型的迭代重建(MBIR)。這些都是在商用CT掃描儀上實現(xiàn)的。遵循與前兩個示例相同的深度學習過程，并將FBP圖像作為輸入，將MBIR圖像作為神經網絡訓練的黃金標準。為了比較，使用塊匹配和3D濾波(BM3D)方法和深度神經網絡對FBP圖像進行圖像去噪。與MBIR對應物相比，顯示了深度學習的圖像去噪效果。可以觀察到，通過深度學習實現(xiàn)的圖像質量與MBIR非常相似，但深度學習比現(xiàn)有技術的迭代重建快得多。有趣的是，標準的“廉價”FBP之后的計算有效的后處理神經網絡實現(xiàn)了與更精細的迭代方案非常相似的結果，然而神經網絡解決方案不需要任何明確的物理知識。

深度學習還可以幫助調整或設計特定于不同器官，病變類型和患者特征的成像和閱讀協(xié)議。此外，基于大數(shù)據(jù)的深度成像軟件可以查詢跨機構和醫(yī)學專業(yè)的數(shù)據(jù)，并通過整合諸如患者年齡，性別，癥狀，病史，疾病概況，生物化學，病理學，微生物學和基因組等信息來超越現(xiàn)有的決策支持計劃。此外，為什么不通過深度學習結合診斷和治療?監(jiān)督自主機器人軟組織手術就是一個初始的例子。

聲明：本文為轉載類文章，如涉及版權問題，請及時聯(lián)系我們刪除（QQ:2737591964），不便之處，敬請諒解！